Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

Computed Tomography01:10

Computed Tomography

6.1K
Tomography refers to imaging by sections. Computed tomography (CT) is a non-invasive imaging technique that uses computers to analyze several cross-sectional X-rays to reveal minute details about structures in the body.
The technique was invented in the 1970s and is based on the principle that as X-rays pass through the body, they are absorbed or reflected at different levels. In the technique, a patient lies on a motorized platform while a computerized axial tomography (CAT) scanner rotates...
6.1K
Imaging Studies III: Computed Tomography01:27

Imaging Studies III: Computed Tomography

50
DefinitionComputed Tomography (CT) of the genitourinary (GU) tract is a non-invasive imaging modality that utilizes X-rays and computer processing to generate detailed cross-sectional images of the urinary system, encompassing the kidneys, ureters, bladder, and adjacent structures such as the adrenal glands.PurposeCT scans of the GU tract serve several diagnostic and therapeutic purposes, including:Diagnosis of Urinary Tract Diseases: Detects kidney stones, tumors, cysts, and congenital...
50
Brain Imaging01:14

Brain Imaging

310
Brain imaging technologies provide critical insights into both the structure and function of the human brain, enabling medical professionals and researchers to diagnose, study, and treat neurological disorders or psychiatric disorders more effectively.
These technologies include computerized axial tomography (CAT or CT scans), positron-emission tomography (PET scans),  magnetic resonance imaging (MRI),  functional magnetic resonance imaging (fMRI), and Transcranial Magnetic...
310

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

Wave-aware mortality prediction in COVID-19: a multi-stage feature selection and explainable machine-learning framework.

BMC medical informatics and decision making·2026
Same author

"Comment on: Safety and Tolerability of Multimodal Therapy (Ivermectin, Doxycycline, Vitamin C, Vitamin D, and Zinc) With or Without Famotidine in Australian Patients With COVID-19 Infection: A Pilot Cohort Trial," for Potential Publication in the American Journal of Therapeutics.

American journal of therapeutics·2026
Same author

Effects of Citrate Mixture on Gout Flares During Urate-Lowering Therapy Initiation Among Chinese Male Underexcretion-Type Gout Patients: A Prospective Cohort Study.

Journal of inflammation research·2026
Same author

Quantum Conflict Measurement in Decision Fusion for Out-of-Distribution Detection.

IEEE transactions on pattern analysis and machine intelligence·2026
Same author

Cluster-defined gout subtypes exhibit divergent chronic kidney disease trajectories: a machine learning approach in a Chinese prospective cohort.

Rheumatology (Oxford, England)·2026
Same author

Effects of adding urinary alkalizer citrate mixture to febuxostat in gout patients with combined-type hyperuricemia and low urine pH: a prospective cohort study.

Arthritis research & therapy·2026
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

Video Experimental Relacionado

Updated: Sep 9, 2025

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

Segmentación y clasificación eficientes de múltiples tumores cerebrales basadas en la visión por computadora mediante

Aqib Ali1, Xinde Li2,3, Wali Khan Mashwani4

  • 1Key Laboratory of Measurement and Control of CSE, School of Automation, Southeast University, Nanjing, 210096, China.

Scientific reports
|September 1, 2025
PubMed
Resumen

La visión por computadora clasifica efectivamente seis tipos de tumores cerebrales de las tomografías computarizadas. El perceptrón multicapa logró una precisión del 97,83%, lo que demuestra el potencial de estas técnicas en el diagnóstico neuro-oncológico.

Palabras clave:
ABTFCS (en inglés)Tumor en el cerebroVisión por computadoraPerceptrón de varias capasFunciones estadísticas múltiples optimizadas

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
Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images
06:48

Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images

Published on: January 7, 2019

9.0K

Videos de Experimentos Relacionados

Last Updated: Sep 9, 2025

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
Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images
06:48

Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images

Published on: January 7, 2019

9.0K

Área de la Ciencia:

  • Imágenes médicas
  • Inteligencia artificial
  • Neuro-oncología

Sus antecedentes:

  • Los tumores cerebrales representan un desafío de diagnóstico significativo.
  • La clasificación precisa de los tipos de tumor es crucial para la planificación efectiva del tratamiento.
  • Las tomografías computarizadas (TC) son una modalidad de imagen primaria para la detección de tumores cerebrales.

Objetivo del estudio:

  • Evaluar la eficacia de las técnicas de visión computarizada (CV) para clasificar seis tipos de tumores cerebrales (benignos y malignos) mediante tomografías computarizadas.
  • Desarrollar y validar un marco sólido para la clasificación automatizada de tumores cerebrales.
  • Comparar el rendimiento de varios clasificadores de CV para esta tarea.

Principales métodos:

  • Se preprocesó un conjunto de datos de 900 tomografías computarizadas, incluida la reducción del ruido y la extracción de la región de interés (ROI) utilizando la segmentación de medios difusos basados en umbrales binarios automatizados (ABTFCS).
  • Se extrajeron 135 características estadísticas múltiples de cada ROI, y se seleccionó un conjunto optimizado de 12 características utilizando la selección de características basada en la correlación.
  • Se evaluaron cinco clasificadores de CV (MLP, BayesNet, PART, árbol aleatorio, clasificador filtrado aleatorizado) utilizando una validación cruzada de 10 veces.

Principales resultados:

  • La tubería de preprocesamiento y extracción de características generó un conjunto de datos refinado para la clasificación.
  • La selección de características identificó los atributos estadísticos más relevantes para distinguir los tipos de tumor.
  • El perceptrón multicapa (MLP) logró la mayor precisión de clasificación del 97,83% después del ajuste del hiperparámetro.

Conclusiones:

  • Las técnicas de visión por computadora, particularmente MLP, demuestran una alta efectividad en la clasificación de tumores cerebrales a partir de tomografías computarizadas.
  • El marco propuesto ofrece un enfoque automatizado prometedor para el diagnóstico de tumores cerebrales.
  • La investigación adicional puede explorar conjuntos de datos más grandes y modelos avanzados de CV para mejorar la precisión del diagnóstico.