Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Endoscopic Procedures II: Colonoscopy01:25

Endoscopic Procedures II: Colonoscopy

183
The colon, or large intestine, is the final segment of the digestive system. Its primary functions include absorbing water and vitamins produced by gut bacteria and transforming waste from liquid to solid to form stool. In adults, the large intestine is approximately 5 feet long and consists of four main sections:
183
Endoscopic Procedures IV: Sigmoidoscopy and Laproscopy01:26

Endoscopic Procedures IV: Sigmoidoscopy and Laproscopy

170
Sigmoidoscopy and laparoscopy are distinct medical procedures that enable physicians to internally inspect different parts of the GI tract. Although they serve different purposes, each is essential for diagnosing and, in some cases, treating various medical conditions.
Sigmoidoscopy
Sigmoidoscopy is a diagnostic procedure that uses a flexible sigmoidoscope equipped with a light source and camera to examine the rectum and sigmoid colon. The procedure involves inserting the tube through the anus...
170
Imaging Studies III: Gastrointestinal Motility Studies and Virtual Colonoscopy01:26

Imaging Studies III: Gastrointestinal Motility Studies and Virtual Colonoscopy

142
This lesson explores three gastrointestinal imaging techniques: radionuclide testing, colonic transit studies, and virtual colonoscopy.
Radionuclide Testing
Radionuclide testing is a sophisticated medical technique for assessing gastrointestinal motility. It focuses on gastric emptying and colonic transit time. Radioactive markers track the movement of food through the digestive system, providing insights into gastrointestinal disorders.
In gastric emptying studies, a meal's liquid and...
142

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Trainable clustering framework for spatial transcriptomics.

Bioinformatics advances·2026
Same author

TextEconomizer: Enhancing lossy text compression with denoising transformers and entropy coding.

Neural networks : the official journal of the International Neural Network Society·2026
Same author

The good, the bad, and the ugly: opportunities, challenges, and pitfalls in spatial proteomics modeling.

Briefings in bioinformatics·2026
Same author

Spatial information matters: are traditional imputation methods effective for spatial transcriptomics data?

Briefings in bioinformatics·2026
Same author

Integrating lightweight convolutional neural network with entropy-informed channel attention and adaptive spatial attention for OCT-based retinal disease classification.

Computers in biology and medicine·2025
Same author

CoDNet: controlled diffusion network for structure-based drug design.

Bioinformatics advances·2025
Same journal

Corrigendum to "Integrating experimental biology, computational methods, and artificial Intelligence in anticancer drug discovery: Bridging the translational Gap" [Comput. Biol. Med. 213 (2026) 111832].

Computers in biology and medicine·2026
Same journal

Organ dose optimization for a point-of-care forearm X-ray photon-counting CT.

Computers in biology and medicine·2026
Same journal

Physics-guided transformation of breathomic feature spaces into disease-specific representations for respiratory disease classification.

Computers in biology and medicine·2026
Same journal

An AI-driven deep learning pipeline for taxonomic classification and biodiversity assessment of deep-sea environmental DNA.

Computers in biology and medicine·2026
Same journal

Rapid personalisation of cardiovascular models using invasively measured right ventricular pressure.

Computers in biology and medicine·2026
Same journal

Biologically inspired mechanisms for enhancing robustness in EEG signal modeling: Challenges, opportunities, and perspectives.

Computers in biology and medicine·2026
Ver todos los artículos relacionados

Video Experimental Relacionado

Updated: Sep 9, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.9K

Segmentación de pólipos en imágenes de colonoscopia utilizando DeepLabV3+

Al Mohimanul Islam1, Sadia Shakiba Bhuiyan1, Mysun Mashira1

  • 1Department of Computer Science and Engineering, United International University, Dhaka, Bangladesh.

Computers in biology and medicine
|August 28, 2025
PubMed
Resumen
Este resumen es generado por máquina.

Este estudio introduce un modelo mejorado de DeepLabv3++ para la segmentación precisa de pólipos en imágenes de colonoscopia. El modelo mejorado reduce significativamente los errores de segmentación, lo que ayuda a la detección temprana del cáncer colorrectal.

Palabras clave:
Agregación de la atenciónImágenes de la colonoscopiaDeepLabV3+ también incluye:El objetivo del proyecto es mejorar la calidad de vida de las personas afectadas.Extracción de características en múltiples escalasSegmentación de los pólipos

Más Videos Relacionados

A Label-Free Segmentation Approach for Intravital Imaging of Mammary Tumor Microenvironment
10:39

A Label-Free Segmentation Approach for Intravital Imaging of Mammary Tumor Microenvironment

Published on: May 24, 2022

2.4K
Author Spotlight: Optimization of Ultrashort Peptide Matrices for Colorectal Cancer Organoids
10:23

Author Spotlight: Optimization of Ultrashort Peptide Matrices for Colorectal Cancer Organoids

Published on: May 3, 2024

1.0K

Videos de Experimentos Relacionados

Last Updated: Sep 9, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.9K
A Label-Free Segmentation Approach for Intravital Imaging of Mammary Tumor Microenvironment
10:39

A Label-Free Segmentation Approach for Intravital Imaging of Mammary Tumor Microenvironment

Published on: May 24, 2022

2.4K
Author Spotlight: Optimization of Ultrashort Peptide Matrices for Colorectal Cancer Organoids
10:23

Author Spotlight: Optimization of Ultrashort Peptide Matrices for Colorectal Cancer Organoids

Published on: May 3, 2024

1.0K

Área de la Ciencia:

  • Imágenes médicas
  • Inteligencia artificial
  • Visión por computadora

Sus antecedentes:

  • El cáncer colorrectal es una de las principales causas de muerte por cáncer en todo el mundo.
  • La segmentación precisa del pólipo en la colonoscopia es crucial para el diagnóstico temprano.
  • Los modelos de aprendizaje profundo existentes luchan con pequeños detalles y representación de características a múltiples escalas.

Objetivo del estudio:

  • Desarrollar un modelo DeepLabv3++ mejorado para la segmentación de pólipos en imágenes de colonoscopia.
  • Para aumentar la precisión y la robustez de la detección de pólipos.
  • Reducir los errores de segmentación para una mejor toma de decisiones clínicas.

Principales métodos:

  • Utilizado EfficientNetV2S para la extracción de características refinadas en el codificador.
  • Los módulos integrados de agrupación de pirámides multiscala (MSPP) y de bloque de agregación de atención paralela (PAAB).
  • Implementó un decodificador rediseñado para mejorar la transformación de características y la generación de mapas de segmentación.

Principales resultados:

  • Se obtuvieron puntuaciones altas en el coeficiente Dice: 96,20% (CVC-ColonDB), 96,54% (CVC-ClinicDB) y 96,08% (Kvasir-SEG).
  • Superó a varios modelos de última generación en segmentación de pólipos.
  • Errores de segmentación significativamente reducidos (falsos positivos/negativos) para pólipos de todos los tamaños en comparación con la línea de base de DeepLabv3+.

Conclusiones:

  • El modelo mejorado DeepLabv3 ++ demuestra un rendimiento superior en la segmentación de pólipos de colonoscopia.
  • La integración de MSPP y un decodificador rediseñado mejora la capacidad del modelo para capturar características multiscala y direccionales.
  • Este avance es vital para la delineación precisa de pólipos y la toma de decisiones clínicas en el cribado del cáncer colorrectal.