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

Chronic Obstructive Pulmonary Disease-II: Pathophysiology01:20

Chronic Obstructive Pulmonary Disease-II: Pathophysiology

5.0K
Chronic Obstructive Pulmonary Disease (COPD) pathophysiology is intricate and multifaceted, involving a complex interplay of physiological processes. Understanding these mechanisms is crucial for effectively managing and treating COPD. Here is an in-depth look at the critical elements in the pathophysiology of COPD:
Chronic Inflammation
5.0K

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

Local Extremum Mapping for Weak Supervision Learning on Mammogram Classification and Localization.

Bioengineering (Basel, Switzerland)·2025
Same author

Performance Test of a Well-Trained Model for Meningioma Segmentation in Health Care Centers: Secondary Analysis Based on Four Retrospective Multicenter Data Sets.

Journal of medical Internet research·2023
Same author

Robust co-teaching learning with consistency-based noisy label correction for medical image classification.

International journal of computer assisted radiology and surgery·2022
Ver todos los artículos relacionados

Video Experimental Relacionado

Updated: May 5, 2026

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
14:08

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images

Published on: April 13, 2013

42.8K

Una red de doble cabeza consciente de la estabilidad con consistencia basada en prototipos para la segmentación de

Leyi Zhang1, Jiayi Li1, Yu Yan1

  • 1College of Computer Science, Sichuan University, Section 4, Southern 1st Ring Rd, Chengdu, Sichuan 610065, P. R. China.

International journal of neural systems
|September 1, 2025
PubMed
Resumen

Este estudio introduce una nueva arquitectura de doble cabeza para la segmentación de imágenes médicas semisupervisadas, mejorando el rendimiento al abordar la varianza y los cambios de distribución dentro de la clase. El método mejora la precisión y fiabilidad de la segmentación en el análisis de imágenes médicas.

Palabras clave:
Aprendizaje semisupervisadosegmentación de imágenes médicasAprendizaje de prototipos

Más Videos Relacionados

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
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

491

Videos de Experimentos Relacionados

Last Updated: May 5, 2026

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
14:08

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images

Published on: April 13, 2013

42.8K
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
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

491

Área de la Ciencia:

  • Análisis de imágenes médicas
  • Visión por computadora
  • Aprendizaje automático

Sus antecedentes:

  • La segmentación semántica semisupervisada para imágenes médicas aprovecha los datos sin etiqueta, pero se enfrenta a desafíos como la variación intraclase y la desalineación de la distribución de dominio.
  • Los métodos existentes a menudo luchan con un costoso entrenamiento y logran tanto la consistencia semántica como la preservación del detalle espacial.

Objetivo del estudio:

  • Proponer una nueva arquitectura de doble cabeza consciente de la estabilidad para la segmentación de imágenes médicas semisupervisadas.
  • Sinergizar las metodologías basadas en prototipos y redes totalmente convolucionales (FCN) para mejorar el rendimiento de la segmentación.
  • Para mitigar la variación intra-clase y los cambios en la distribución del dominio de la clase de manera efectiva.

Principales métodos:

  • Una arquitectura de doble cabeza consciente de la estabilidad que integra métodos basados en prototipos (para la consistencia de características) y métodos FCN (para el detalle espacial).
  • Una estrategia de aumento adaptativo consciente de la estabilidad a nivel de muestra para reducir la varianza y los cambios de distribución.
  • Un proceso de fusión guiado por la certeza para el refinamiento dinámico de la pseudoetiqueta.

Principales resultados:

  • Logró un rendimiento de última generación (SOTA) en los conjuntos de datos BraTS2019 y LA Heart.
  • Demostró mejoras significativas con respecto a los métodos anteriores de SOTA en múltiples métricas de evaluación.
  • Redujo efectivamente las brechas de dominio y mejoró la fiabilidad de las pseudoetiquetas en el análisis de imágenes médicas.

Conclusiones:

  • El marco propuesto ofrece una solución robusta para la segmentación de imágenes médicas semisupervisadas.
  • La arquitectura de doble cabeza consciente de la estabilidad combina efectivamente la información semántica y espacial para una segmentación precisa.
  • Este enfoque mejora la fiabilidad y el rendimiento de las técnicas de análisis de imágenes médicas.