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

Trimethylamine <i>N</i>-Oxide Generation from Choline-Containing Precursors Is Closely Associated with Their Molecular Structure.

Journal of agricultural and food chemistry·2021
Same author

Synthesis and characterization of bis(pyrazolyl)borate Ni(ii) complexes: ligand rearrangement and transformation.

Dalton transactions (Cambridge, England : 2003)·2019
Ver todos los artículos relacionados

Video Experimental Relacionado

Updated: Jan 7, 2026

Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping
10:25

Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping

Published on: September 25, 2019

49.2K

TTG-U-Net: Un marco interpretable y eficiente para la segmentación de tumores cerebrales multimodales que permite el

Peng-Hui Gao, Xue-Feng Duan, Xi-Peng Pan

    IEEE journal of biomedical and health informatics
    |December 25, 2025
    PubMed
    Resumen

    Desarrollamos TTG-U-Net, un modelo de IA explicable (XAI) para el análisis de resonancia magnética multimodal en neurooncología. Logra un rendimiento de segmentación de última generación al tiempo que aumenta la confianza clínica a través de un razonamiento transparente y una implementación eficiente.

    Palabras clave:
    IA explicablesegmentación de tumores cerebralesresonancia magnética multimodalneurooncologíasoporte de decisiones clínicasTTG-U-Net

    Más Videos Relacionados

    Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies
    04:25

    Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies

    Published on: December 15, 2023

    3.7K
    Multicolor 3D Printing of Complex Intracranial Tumors in Neurosurgery
    14:15

    Multicolor 3D Printing of Complex Intracranial Tumors in Neurosurgery

    Published on: January 11, 2020

    7.6K

    Videos de Experimentos Relacionados

    Last Updated: Jan 7, 2026

    Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping
    10:25

    Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping

    Published on: September 25, 2019

    49.2K
    Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies
    04:25

    Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies

    Published on: December 15, 2023

    3.7K
    Multicolor 3D Printing of Complex Intracranial Tumors in Neurosurgery
    14:15

    Multicolor 3D Printing of Complex Intracranial Tumors in Neurosurgery

    Published on: January 11, 2020

    7.6K

    Área de la Ciencia:

    • Informática neurooncológica
    • Inteligencia artificial (IA) en la atención médica
    • Análisis de imágenes médicas

    Sus antecedentes:

    • El análisis preciso y automatizado de la resonancia magnética multimodal es crucial para la neurooncología.
    • La integración clínica de la IA se ve obstaculizada por la naturaleza de 'caja negra' de los modelos de aprendizaje profundo, lo que afecta la confianza y la validación.
    • El desarrollo de métodos transparentes y eficientes para fusionar datos de resonancia magnética heterogéneos sigue siendo un desafío.

    Objetivo del estudio:

    • Proponer TTG-U-Net, un nuevo marco de segmentación que aborda la necesidad de IA explicable (XAI) en la atención médica.
    • Unir el rendimiento de la segmentación con la interpretabilidad clínica y la eficiencia computacional.
    • Facilitar la integración de la IA en los flujos de trabajo clínicos para la neurooncología.

    Principales métodos:

    • Un transformador intermodal para modelar las dependencias intermodalidades y generar mapas de atención para la transparencia.
    • Descomposición dinámica de tensores de rango bajo para una regularización adaptativa y una huella computacional reducida.
    • Un mecanismo de puerta adaptable a la modalidad para el enrutamiento transparente de información, alineado con los principios radiológicos.

    Principales resultados:

    • TTG-U-Net logró un rendimiento de última generación en el benchmark BraTS 2021 (Dice: WT 91,7 %, TC 88,8 %, ET 84,5 %), competitivo con los conjuntos.
    • El diseño dinámico de rango bajo redujo el recuento de parámetros en aproximadamente un 41 %, lo que mejoró la eficiencia.
    • Los estudios de interpretabilidad confirmaron que la estrategia de fusión del modelo se alinea con el conocimiento clínico, lo que aumenta la confiabilidad.

    Conclusiones:

    • TTG-U-Net proporciona un marco sólido, eficiente y confiable para la segmentación de resonancia magnética multimodal en neurooncología.
    • El modelo demuestra un camino viable para la integración responsable de la IA en los sistemas de soporte de decisiones clínicas.
    • La IA explicable en TTG-U-Net mejora la confianza clínica y facilita la validación de la informática neurooncológica.