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

Magnetic Resonance Imaging01:24

Magnetic Resonance Imaging

7.6K
Magnetic resonance imaging (MRI) is a noninvasive medical imaging technique based on a phenomenon of nuclear physics discovered in the 1930s, in which matter exposed to magnetic fields and radio waves was found to emit radio signals. In 1970, a physician and researcher named Raymond Damadian noticed that malignant (cancerous) tissue gave off different signals than normal body tissue. He applied for a patent for the first MRI scanning device in clinical use by the early 1980s. The early MRI...
7.6K
Imaging Studies I: CT and MRI01:14

Imaging Studies I: CT and MRI

1.3K
Introduction: MRI and CT scans are crucial advancements in medical imaging techniques, playing a vital role in diagnosing conditions related to the gastrointestinal (GI) system. Each scan serves distinct purposes, targets specific areas, and requires unique nursing duties.
Description of the Procedures
Computed Tomography (CT) scan:
Computed Tomography (CT) scans use X-ray technology to generate detailed images of bones, organs, and tissues. During the scan, the patient lies on a moving table...
1.3K
Imaging Studies for Cardiovascular System IV: CMRI01:21

Imaging Studies for Cardiovascular System IV: CMRI

542
Cardiovascular magnetic resonance imaging, or CMRI, is a non-invasive diagnostic test that employs a magnetic field and radiofrequency waves to create precise images of the heart and arteries. It provides comprehensive information about cardiac anatomy, function, perfusion, and tissue characterization without ionizing radiation.IndicationsCMRI diagnoses various heart conditions, including tissue damage from heart attacks, ischemic heart disease, myocarditis, aortic issues (tears, aneurysms,...
542

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

Reasoning in machine vision by learning fast and slow thinking.

Nature communications·2026
Same author

InnerEye-HS: a disease-agnostic clinical tool for hippocampal segmentation.

Brain communications·2026
Same author

Real-Time, Inline Quantitative MRI Enabled by Scanner-Integrated Machine Learning: A Proof of Principle With NODDI.

Magnetic resonance in medicine·2026
Same author

Expanded detection of early fibrotic phenotypes using lobar traction bronchiolectasis in lung cancer screening.

American journal of respiratory and critical care medicine·2026
Same author

Understanding pre-training data effects in retinal foundation models using two large fundus cohorts.

Nature communications·2026
Same author

A computationally frugal, open-source chest CT foundation model for thoracic disease detection in lung cancer screening programmes.

Communications medicine·2026

Video Experimental Relacionado

Updated: May 7, 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

Pérdida de probabilidad de Rician para la resonancia magnética cuantitativa con aprendizaje profundo auto-supervisado

Christopher S Parker1, Anna Schroder1, Sean C Epstein1

  • 1UCL Hawkes Institute, Department of Computer Science, University College London, London, UK.

NMR in biomedicine
|September 4, 2025
PubMed
Resumen

Una nueva pérdida de probabilidad de Rician mejora la estimación cuantitativa de parámetros de resonancia magnética a partir de imágenes ruidosas. Este método de aprendizaje profundo auto-supervisado reduce el sesgo en bajas relaciones señal-ruido, mejorando la precisión para aplicaciones de imágenes médicas.

Palabras clave:
Ricianaprendizaje profundoResonancia magnética por difusiónmovimiento incoherente intravoxelProbabilidaderror cuadrado medioresonancia magnética cuantitativaauto-supervisado

Más Videos Relacionados

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
14:27

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

Published on: June 26, 2013

15.8K
Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
12:50

Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly

Published on: April 14, 2014

40.3K

Videos de Experimentos Relacionados

Last Updated: May 7, 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
Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
14:27

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

Published on: June 26, 2013

15.8K
Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
12:50

Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly

Published on: April 14, 2014

40.3K

Área de la Ciencia:

  • Imágenes médicas
  • Aprendizaje automático
  • La biofísica

Sus antecedentes:

  • La resonancia magnética cuantitativa permite una estimación robusta de los parámetros sin etiquetas de entrenamiento utilizando el aprendizaje profundo auto-supervisado.
  • Los métodos existentes que utilizan la pérdida de error cuadrado medio (MSE) muestran un sesgo significativo en las bajas relaciones señal-ruido (SNR).
  • La pérdida de MSE es incompatible con las señales de magnitud de MR, lo que puede causar un sesgo en la estimación.

Objetivo del estudio:

  • Introducir una nueva pérdida de probabilidad de Rician (NLR) para el aprendizaje auto-supervisado en la resonancia magnética cuantitativa.
  • Abordar el problema de sesgo en la estimación de parámetros causado por un SNR bajo.
  • Mejorar la precisión y la robustez de la resonancia magnética cuantitativa.

Principales métodos:

  • Desarrolló una aproximación numérica estable para la pérdida de probabilidad de Rician (NLR) negativo.
  • Se comparó la pérdida de NLR con la pérdida de MSE tradicional utilizando el modelo de movimiento incoherente intravoxel (IVIM).
  • Evaluación del rendimiento de la estimación de parámetros utilizando datos de resonancia magnética simulados y reales en varios SNR.

Principales resultados:

  • La pérdida de NLR redujo significativamente el sesgo en las estimaciones del coeficiente de difusión IVIM con un SNR bajo.
  • A baja SNR, la pérdida de NLR mejoró la precisión a costa de la precisión.
  • El rendimiento convergió para las pérdidas de NLR y MSE en SNRs más altos, dando lugar a una mayor precisión y un error total más bajo.

Conclusiones:

  • La pérdida de NLR mejora la precisión en la estimación cuantitativa de parámetros de resonancia magnética, especialmente en condiciones ruidosas.
  • Este método ofrece una amplia aplicabilidad para mejorar el análisis de resonancia magnética a partir de datos de bajo SNR.
  • La pérdida de NLR proporciona una alternativa más robusta a la pérdida de MSE para la resonancia magnética auto-supervisada.