Video Experimental Relacionado
Updated: Feb 13, 2026

Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
[Algoritmos de segmentación automatizada basados en aprendizaje profundo de las subestructuras cerebrales y
Wei Wang1, Shuxian Chen1, Mawei Jiang1
1Oncology Department, Xinhua Hospital Affiliated to Shanghai Jiao Tong University School of Medicine, Shanghai, 200092.
FuseNet demuestra un rendimiento superior en la segmentación de subestructuras cerebrales y vertebrales pediátricas, reduciendo significativamente el tiempo de corrección manual. nnU-Net también muestra prometedoras capacidades de segmentación para la planificación del tratamiento del medulloblastoma.
Área de la Ciencia:
- Imágenes médicas de imágenes médicas.
- La inteligencia artificial en la medicina.
- Oncología Pediátrica Oncología Pediátrica.
Sus antecedentes:
- La segmentación precisa de las subestructuras del meduloblastoma es crucial para la planificación eficaz de la radioterapia en pacientes pediátricos.
- Los métodos de segmentación existentes pueden tener limitaciones en cuanto a precisión y eficiencia, particularmente en diferentes grupos de edad.
Objetivo del estudio:
- Evaluar la viabilidad y el rendimiento de nnU-Net y FuseNet para la segmentación automática de subestructuras de meduloblastoma pediátrico.
- Comparar estos modelos de aprendizaje profundo con los métodos tradicionales basados en Atlas y U-Net.
Principales métodos:
- Análisis retrospectivo de 60 pacientes pediátricos (≤5 y >5 años) que se sometieron a radioterapia.
- Segmentación de las subestructuras cerebrales utilizando imágenes de fusión CT-MRI y subestructuras vertebrales utilizando imágenes de TC.
- Formación y validación de los modelos U-Net, nnU-Net y FuseNet, con validación externa para su generalización.
Principales resultados:
- FuseNet superó a los métodos basados en Atlas y U-Net en la segmentación de la subestructura vertebral para ambos grupos de edad (P<0,05).
- FuseNet demostró altos valores de coeficiente de similitud de dados (DSC) (>0,8) para la mayoría de las subestructuras y logró el tiempo de corrección manual más corto.
- nnU-Net mostró un buen rendimiento de segmentación, mientras que FuseNet mejoró la precisión de segmentación cerebral a través de la fusión dinámica de características multimodal.
Conclusiones:
- nnU-Net es una herramienta viable para lograr una buena segmentación automática de las subestructuras del meduloblastoma.
- FuseNet ofrece una mayor precisión de segmentación cerebral y una eficiencia de corrección superior, por lo que es una herramienta prometedora para la planificación de la radioterapia pediátrica.
Videos de Conceptos Relacionados
Higher Mental Functions of Brain: Learning and Memory
Muscles of the Vertebral Column
Superficial Layer:
The superficial layer consists primarily of the splenius muscles, which include the splenius capitis and splenius cervicis. These muscles are mainly responsible for the head and cervical spine movements, including extension, rotation, and lateral bending. The splenius capitis...
Trial and Error and Algorithm
Articulations of the Vertebral Column
Vertebral Column: Regions and Curvature
Regions of the Vertebral Column
In an adult, the spine is subdivided into five regions: the cervical, the thoracic, the lumbar, the sacral, and the coccygeal region. The spine initially develops as a series of 33 vertebrae; after 20 years of age, the nine bones in the sacral region, five sacral, and four coccygeal bones fuse to form...
Avoidance Learning and Learned Helplessness
Avoidance learning occurs when an organism learns that a specific behavior can prevent an unpleasant outcome. For example, a student who receives a bad grade may start studying harder to avoid future poor grades. This behavior persists even when the negative outcome is no longer present. Avoidance learning is powerful because it maintains behavior in the absence of the...

