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

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

Band structure engineering of monolayer MoS₂ by surface ligand functionalization for enhanced photoelectrochemical hydrogen production activity.

Nanoscale·2014
Same author

Hippo signaling influences HNF4A and FOXA2 enhancer switching during hepatocyte differentiation.

Cell reports·2014
Same author

Enumeration, genetic characterization and antimicrobial susceptibility of Lactobacillus and Streptococcus isolates from retail yoghurt in Beijing, China.

Biomedical and environmental sciences : BES·2014
Same author

Pleiotropy of the Drosophila JAK pathway cytokine Unpaired 3 in development and aging.

Developmental biology·2014
Same author

Stackelberg game of buyback policy in supply chain with a risk-averse retailer and a risk-averse supplier based on CVaR.

PloS one·2014
Same author

Topological transport and atomic tunnelling-clustering dynamics for aged Cu-doped Bi2Te3 crystals.

Nature communications·2014

Video Experimental Relacionado

Updated: Jan 8, 2026

A Human Cerebral Organoid Model of Neural Cell Transplantation
08:58

A Human Cerebral Organoid Model of Neural Cell Transplantation

Published on: July 21, 2023

1.9K

Red generativa guiada por CLIP para la aumentación de imágenes de núcleos de patología

Yanan Zhang1, Qingyang Liu1, Qian Chen1

  • 1Image Processing Center, Beihang University, Beijing, 102206, China.

Medical image analysis
|December 20, 2025
PubMed
Resumen
Este resumen es generado por máquina.

Este estudio presenta un método novedoso de aumentación de datos que utiliza Redes Generativas Antagónicas (GANs) guiadas por CLIP para mejorar la segmentación y clasificación de núcleos en patología computacional. El enfoque mejora el rendimiento de los modelos de aprendizaje profundo generando diversas imágenes de patología sintéticas sin anotación manual.

Palabras clave:
Aumentación de datosRedes generativas antagónicasSegmentación y clasificación de núcleosModelo fundacional de visión y lenguaje

Más Videos Relacionados

Using Computer Vision Libraries to Streamline Nuclei Quantification
06:25

Using Computer Vision Libraries to Streamline Nuclei Quantification

Published on: June 6, 2025

602
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

Videos de Experimentos Relacionados

Last Updated: Jan 8, 2026

A Human Cerebral Organoid Model of Neural Cell Transplantation
08:58

A Human Cerebral Organoid Model of Neural Cell Transplantation

Published on: July 21, 2023

1.9K
Using Computer Vision Libraries to Streamline Nuclei Quantification
06:25

Using Computer Vision Libraries to Streamline Nuclei Quantification

Published on: June 6, 2025

602
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

Área de la Ciencia:

  • Patología computacional
  • Análisis de imágenes médicas
  • Aprendizaje profundo

Sus antecedentes:

  • La segmentación y clasificación precisa de núcleos son vitales para la patología computacional (CPath).
  • Los altos costos de anotación limitan los datos de entrenamiento para modelos de aprendizaje profundo de imágenes de patología.
  • Las Redes Generativas Antagónicas (GANs) existentes luchan con la escalabilidad de datos multiclase para máscaras de núcleos.

Objetivo del estudio:

  • Desarrollar un método de aumentación de datos generativo guiado por CLIP para la segmentación y clasificación de núcleos.
  • Superar las limitaciones de las GANs actuales en la generación de datos de patología diversos y multiclase.
  • Mejorar el rendimiento de los modelos de aprendizaje profundo en patología computacional a través de la generación de datos sintéticos.

Principales métodos:

  • Utilizó un enfoque de aumentación de datos generativo guiado por CLIP con codificadores de texto e imagen CLIP patológicos.
  • Generó descripciones de texto a partir de imágenes de histopatología y máscaras de núcleos (tipo de órgano, recuento celular, tipos de núcleos).
  • Empleó un generador de imágenes condicional multimodal y discriminadores duales (alta resolución y basados en CLIP) para la síntesis realista de imágenes.

Principales resultados:

  • Demostró la efectividad del método propuesto en diversos conjuntos de datos públicos de núcleos de patología.
  • Logró un rendimiento mejorado en las tareas de segmentación y clasificación de núcleos.
  • Validó el método a través de análisis cualitativos y cuantitativos, destacando las ventajas sobre los enfoques existentes.

Conclusiones:

  • El método de aumentación de datos generativo guiado por CLIP mejora significativamente la segmentación y clasificación de núcleos en patología computacional.
  • Este enfoque expande efectivamente los conjuntos de datos de entrenamiento sin anotación manual adicional, abordando un cuello de botella clave.
  • El método muestra una gran promesa para mejorar la precisión y escalabilidad del aprendizaje profundo en patología digital.