Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

A meta-analysis on the effectiveness and safety of FOLFOX plus bevacizumab for colorectal cancer treatment.

Frontiers in oncology·2026
Same author

From sparse semantics to rich instances: Empowering label-efficient LiDAR panoptic segmentation via geometric priors.

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

A panoramic review of transcranial focused ultrasound neuromodulation: from basic research to clinical applications.

Journal of neuroengineering and rehabilitation·2025
Same author

Therapeutic targeting of STING-IL6/STAT3 axis to inhibit osteoclastic niche formation and breast cancer bone metastasis.

Cell death discovery·2025
Same author

Correlation study of tumor-infiltrating lymphocytes combined with residual cancer burden and prognosis in breast cancer patients receiving neoadjuvant chemotherapy.

Frontiers in oncology·2025
Same author

Isofetamid Sensitivity and SDHI Cross-Resistance in <i>Botrytis cinerea</i> from Strawberry in Shanghai, China.

Plant disease·2025
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: Jan 8, 2026

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

3.3K

Aceleración del modelo de base de visión para la segmentación eficiente de imágenes médicas

Xian-Tao Wu1, Xiao-Diao Chen1, Wen Wu2

  • 1School of Computer Science and Technology, Hangzhou Dianzi University, Hangzhou, China.

Medical physics
|December 19, 2025
PubMed
Resumen
Este resumen es generado por máquina.

Este estudio acelera el modelo Segment Anything (SAM) para la segmentación de imágenes médicas reduciendo los costos computacionales. Un enfoque novedoso combina el ajuste asistido por CNN con la pausa de tokens, logrando un procesamiento más rápido y una calidad de segmentación mejorada.

Palabras clave:
aprendizaje profundosegmentación de imágenes médicasmodelo segment anythingrendimientopausa de tokens

Más Videos Relacionados

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

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

723
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

43.4K

Videos de Experimentos Relacionados

Last Updated: Jan 8, 2026

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

3.3K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

723
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

43.4K

Área de la Ciencia:

  • Inteligencia Artificial
  • Imágenes Médicas
  • Visión por Computadora

Sus antecedentes:

  • El modelo Segment Anything (SAM) muestra potencial para la segmentación de imágenes médicas basada en IA.
  • Los altos costos computacionales de SAM dificultan las aplicaciones en tiempo real debido a las complejidades del Vision Transformer.

Objetivo del estudio:

  • Acelerar SAM para la segmentación de imágenes médicas.
  • Mejorar la calidad de la segmentación y reducir el uso de memoria.

Principales métodos:

  • Se propuso una estrategia de ajuste asistido por CNN para permitir que SAM procese entradas más pequeñas, reduciendo los parches y la memoria.
  • Se introdujo una estrategia de pausa de tokens para omitir el cálculo de parches menos informativos, abordando la redundancia.
  • Se combinaron ambas estrategias para una segmentación médica eficiente y adaptable.

Principales resultados:

  • Se logró un procesamiento 12 veces más rápido en comparación con los métodos existentes basados en SAM.
  • Se demostró un rendimiento de segmentación superior en los puntos de referencia Synapse y ACDC.
  • Se redujo significativamente el consumo de memoria al procesar entradas más pequeñas.

Conclusiones:

  • Se identificaron el redimensionamiento de entrada y el procesamiento uniforme de parches como limitaciones para SAM en imágenes médicas.
  • Se desarrolló una estrategia eficiente que integra el ajuste basado en adaptadores y la pausa de tokens.
  • Se mejoró el rendimiento y se conservó la calidad de la segmentación para aplicaciones médicas.