Jove
Visualize
Contáctanos

Video Experimental Relacionado

Updated: Jan 7, 2026

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

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

721

Modelo de segmentación adaptativa de dominio transmodal con conocimiento de la forma

Yusi Liu1,2,3, Liangce Qi1,2,3, Zhaoheng Diao1,2,3

  • 1School of Computer Science and Technology, Changchun University of Science and Technology, Changchun 130022, P. R. China.

Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi
|December 25, 2025
PubMed
Resumen

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

Development and validation of machine learning models for early diagnosis of hemophagocytic lymphohistiocytosis in pediatric Epstein-Barr virus infection.

BMC medical informatics and decision making·2026
Same author

Targeted Protein Degradation of NUDT5 Dissociates Catalytic Inhibition from Protein Loss in 6-Thioguanine Response.

Nature communications·2026
Same author

Double vs. single autologous stem cell transplantation in patients with multiple myeloma and high-risk factors: A systematic review and meta-analysis.

Oncology letters·2026
Same author

MonoGID: geometry and illumination aware enhancement with distillation for self-supervised monocular endoscopic depth estimation.

BMC medical imaging·2026
Same author

[A reweighted graph matching-based algorithm for automatic extraction of corresponding landmarks in medical images].

Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi·2026
Same author

[Novel framework based on multi-stage random sampling and differentiable rendering for automated three-dimensional orientation estimation of skull base foramina].

Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi·2026
Same journal

[Advances in research on neuroelectrophysiological characteristics of post-stroke cognitive impairment based on quantitative electroencephalography and acupuncture interventions].

Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi·2026
Same journal

[Mechanisms and applications of magnesium ion-regulated stem cell functions in promoting tendon-bone interface healing].

Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi·2026
Same journal

[Applications and challenges of ultra-high molecular weight polyethylene fibers in minimally invasive medical devices].

Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi·2026
Same journal

[Research on auditory neurofeedback technology and its multi-disciplinary applications].

Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi·2026
Same journal

[Application and perspective of novel auditory intervention paradigms based on verbal and nonverbal stimuli for severe traumatic brain injury].

Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi·2026
Same journal

[Research progress on the neuromodulation targets in stroke rehabilitation].

Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi·2026
Ver todos los artículos relacionados
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
Este resumen es generado por máquina.

Este estudio presenta un novedoso modelo de ponderación adaptativa con conocimiento de la forma (SAWS) para la segmentación de imágenes médicas transmodales. SAWS mejora la precisión de la segmentación al percibir mejor las áreas objetivo y utilizar los priores de forma, mejorando la generalización en tareas de adaptación de dominio no supervisado.

Área de la Ciencia:

  • Análisis de imágenes médicas
  • Visión por computadora
  • Inteligencia artificial

Sus antecedentes:

  • La adaptación de dominio no supervisada (UDA) transmodal tiene problemas de generalización limitada debido a la subutilización de los priores de forma y las características intermedias.
  • Los métodos existentes en segmentación transmodal a menudo no logran capturar eficazmente la información global y local, lo que afecta el rendimiento.

Objetivo del estudio:

  • Proponer un novedoso modelo de segmentación, ponderación adaptativa con conocimiento de la forma (SAWS), para mejorar el rendimiento de la UDA transmodal.
  • Mejorar la capacidad del modelo para percibir las áreas objetivo y capturar información global y local para una mejor segmentación.

Principales métodos:

  • Desarrolló un módulo de percepción de forma en forma de tira multiángulo (MSSP) que utiliza la agrupación angular para capturar características de forma desde múltiples orientaciones.
Palabras clave:
TransmodalAdaptación de dominioAuto-adaptaciónSegmentación semánticaPercepción de forma

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

3.3K

Videos de Experimentos Relacionados

Last Updated: Jan 7, 2026

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

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

721
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
  • Introdujo una pérdida de contraste adaptativa ponderada (AWHC) para aprovechar las características intermedias y mejorar la segmentación de estructuras pequeñas.
  • Evaluó el modelo SAWS en el conjunto de datos de segmentación de corazón completo multimodalidad (MMWHS) para la segmentación cardíaca transmodal.

    • Principales resultados:

    • El modelo SAWS logró un rendimiento superior en tareas de segmentación cardíaca transmodal.
    • Para TC→RM, SAWS obtuvo una puntuación Dice del 70,1% y una distancia de superficie simétrica promedio (ASSD) de 4,0.
    • Para RM→TC, SAWS logró una puntuación Dice del 83,8% y una ASSD de 3,7, superando a los métodos de vanguardia.

    Conclusiones:

    • El método SAWS propuesto mejora eficazmente la capacidad de conciencia estructural y el rendimiento de generalización de los modelos UDA en la segmentación de imágenes médicas transmodales.
    • SAWS demuestra avances significativos en la precisión y robustez de la segmentación en diferentes modalidades de imagen.
    • El enfoque con conocimiento de la forma mejora la capacidad del modelo para manejar estructuras anatómicas complejas en imágenes médicas.