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

Video Experimental Relacionado

Updated: Jan 7, 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

Aprendizaje profundo para el rendimiento del aprendizaje profundo: ¿Cuántos datos se necesitan para la segmentación

Junhyeok Lee1, Hyungjin Chung2, Minseok Suh3

  • 1Interdisciplinary Program in Cancer Biology, Seoul National University College of Medicine, Seoul, Republic of Korea.

PloS one
|December 31, 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

Distinguishing Molecular and Histologic Glioblastomas Using Multiparametric MRI-Based Habitat Analysis.

Korean journal of radiology·2026
Same author

Adverse Event Monitoring with Imaging: Prognostic Significance in Atezolizumab plus Bevacizumab Therapy for Unresectable Hepatocellular Carcinoma.

Liver cancer·2026
Same author

Feasibility of [<sup>99m</sup>Tc]Tc-Mannosylated Human Serum Albumin for Lymphoscintigraphy: A Phase 1/2 Clinical Trial.

Nuclear medicine and molecular imaging·2026
Same author

Deep Learning for Survival Prediction in Glioblastoma: Time-dependent Model Interpretability Using MRI, Clinical, and Molecular Data.

Radiology. Artificial intelligence·2026
Same author

Efficacy and Safety of Switching from Entecavir to Tenofovir Alafenamide in Chronic Hepatitis B: A Multicenter Randomized Trial in Korea.

Gut and liver·2026
Same author

Impact of Thyroid CT on Detecting Macroscopic Nodal Metastasis in Patients With Papillary Thyroid Microcarcinoma.

Korean journal of radiology·2026
Same journal

Analysis of strength degradation of coal and rock masses and stability of mined areas under long term immersion environment.

PloS one·2026
Same journal

Biogenic Silver-Selenium nanocomposite with anticancer activity and potent efficacy against vancomycin-resistant Staphylococcus aureus.

PloS one·2026
Same journal

Preparation and physicochemical characterization of a biodegradable chitosan/carboxymethyl cellulose hydrogel synthesized in NaOH/urea medium.

PloS one·2026
Same journal

Action-guilt, survivor-guilt, and depression in combat-related PTSD.

PloS one·2026
Same journal

Explainable machine learning for predicting activities of daily living at discharge in stroke patients: A retrospective study using SHAP interpretability.

PloS one·2026
Same journal

Deep learning based two-way feature depiction model for brain tumor detection.

PloS one·2026
Ver todos los artículos relacionados
Este resumen es generado por máquina.

Estimar el tamaño del conjunto de datos para el aprendizaje profundo (DL) en imágenes médicas es crucial. Este estudio presenta un marco que utiliza redes de memoria a corto plazo (LSTM) para predecir el rendimiento de la segmentación, mostrando que datos moderados son a menudo suficientes para modelos de DL viables.

Área de la Ciencia:

  • Imágenes Biomédicas; Inteligencia Artificial; Análisis de Imágenes Médicas

Sus antecedentes:

  • Los modelos de aprendizaje profundo (DL) son vitales en imágenes biomédicas para el análisis cuantitativo a través de la segmentación de imágenes.
  • Los métodos tradicionales de estimación del tamaño de la muestra fallan para DL debido a datos de alta dimensionalidad y aprendizaje no lineal.
  • La estimación precisa del tamaño del conjunto de datos es fundamental para el desarrollo eficiente de modelos de DL en entornos clínicos.

Objetivo del estudio:

  • Proponer un marco específico de DL para estimar el tamaño mínimo del conjunto de datos requerido para un rendimiento de segmentación estable.
  • Validar el marco en tareas de segmentación de pólipos de colon y gliomas.
  • Introducir un canal de modelado sustituto utilizando redes de memoria a corto plazo (LSTM) para la predicción del rendimiento.

Principales métodos:

Palabras clave:
aprendizaje profundosegmentación de imágenes médicastamaño del conjunto de datosinteligencia artificialaprendizaje automáticoredes neuronalesanálisis de imágenes médicasaprendizaje profundorendimiento de la segmentaciónmodelado sustituto

Videos de Experimentos Relacionados

Last Updated: Jan 7, 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
  • Se entrenaron U-Nets residuales en subconjuntos de datos variables (2%-100% para 2D, 5%-100% para 3D) para la segmentación de pólipos de colon y gliomas.
  • Se analizaron métricas de rendimiento como el coeficiente de similitud de Dice (DSC) para identificar puntos de saturación de datos.
  • Se desarrolló un canal de modelado sustituto utilizando redes LSTM unidireccionales para predecir curvas de rendimiento de segmentación.

Principales resultados:

  • El rendimiento de la segmentación (DSC) mejoró con los datos y la profundidad del modelo, estabilizándose alrededor del 80% de uso de datos en ambas tareas.
  • Las mejores configuraciones lograron un DSC de 0.86 para pólipos y 0.79 para gliomas.
  • Los modelos LSTM predijeron con precisión el DSC final con un bajo error absoluto medio, lo que demuestra una predicción de rendimiento fiable.

Conclusiones:

  • El rendimiento de la segmentación se puede estimar de manera confiable utilizando modelos sustitutos ligeros como LSTM.
  • La recopilación de una cantidad moderada de datos de alta calidad suele ser suficiente para desarrollar modelos de DL clínicamente viables.
  • El marco propuesto ofrece un método práctico para optimizar la asignación de recursos en el desarrollo de IA médica.