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: Apr 30, 2026

Tracking the Mammary Architectural Features and Detecting Breast Cancer with Magnetic Resonance Diffusion Tensor Imaging
15:48

Tracking the Mammary Architectural Features and Detecting Breast Cancer with Magnetic Resonance Diffusion Tensor Imaging

Published on: December 15, 2014

23.3K

Redes neuronales de difusión adiabática de grafos para la clasificación de imágenes de tumores mamarios con cambio de

Haoquan Lu1, Zhihui Lai1, Heng Kong2

  • 1College of Computer Science and Software Engineering, Shenzhen University, Nanshan, Shenzhen, 518060, Guangdong, China.

Neural networks : the official journal of the International Neural Network Society
|February 18, 2026
PubMed
Resumen

Videos de Conceptos Relacionados

Assessment of Diffusion and Perfusion01:17

Assessment of Diffusion and Perfusion

2.0K
Understanding and evaluating diffusion and perfusion is critical in assessing a patient's respiratory and circulatory health. These processes play key roles in maintaining the body's internal environment, ensuring that tissues receive adequate oxygen while waste products are efficiently removed.
The Role of Diffusion in Respiration
Diffusion is the process by which molecules move from an area of higher concentration to an area of lower concentration. In the respiratory system, this...
2.0K

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

Mammary tumors-derived exosomes induce striatal NF-κB signaling, microglial reactivity, and anxiety/depression-like behaviors.

Brain, behavior, and immunity·2026
Same author

Structural-Functional Connectome Generation via Diffusion-Guided Graph Transformer for Alzheimer's Disease Analysis.

IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society·2026
Same author

Gecko-Like Multi-Directional High-Power Magneto-Mechano-Electric Energy Harvesters for Self-Powered, Hundred-Meter-Scale LoRa Communication.

Advanced science (Weinheim, Baden-Wurttemberg, Germany)·2026
Same author

NPSVC++: A Representation Learning Framework for Nonparallel Classifiers.

IEEE transactions on neural networks and learning systems·2026
Same author

Interpretable facial landmark detection by multi-expert collaborative uncertainty-aware deep networks.

Neural networks : the official journal of the International Neural Network Society·2025
Same author

Adaptive Dispersal and Collaborative Clustering for Few-Shot Unsupervised Domain Adaptation.

IEEE transactions on image processing : a publication of the IEEE Signal Processing Society·2025

El análisis de imágenes de tumores mamarios enfrenta desafíos debido a la baja similitud y los cambios de distribución. Las Redes Neuronales de Difusión Adiabática de Grafos (GradiNet) mejoran la clasificación al aprender estructuras de grafos y simular cambios de distribución para una mejor generalización.

Área de la Ciencia:

  • Imágenes Médicas
  • Aprendizaje Automático
  • Redes Neuronales de Grafos

Sus antecedentes:

  • Las imágenes de tumores mamarios exhiben baja similitud intraclase y cambio de distribución, lo que complica el reconocimiento.
  • Los altos costos de anotación experta limitan la disponibilidad de datos etiquetados para el entrenamiento.
  • El aprendizaje semi-supervisado, particularmente las Redes Neuronales de Grafos (GNN), ofrece un enfoque prometedor para reducir los costos de anotación y mejorar la clasificación de tumores mamarios.

Objetivo del estudio:

  • Proponer Redes Neuronales de Difusión Adiabática de Grafos (GradiNet) para mejorar la clasificación de imágenes de tumores mamarios.
  • Aprender conjuntamente estructuras de grafos discriminatorias y simular entornos de cambio de distribución.
  • Mejorar la capacidad de generalización de los modelos tanto en datos de distribución interna (ID) como fuera de distribución (OOD).
Palabras clave:
Clasificación de tumores mamariosDiscriminaciónDifusión de grafos neuronalesFuera de distribución

Videos de Experimentos Relacionados

Last Updated: Apr 30, 2026

Tracking the Mammary Architectural Features and Detecting Breast Cancer with Magnetic Resonance Diffusion Tensor Imaging
15:48

Tracking the Mammary Architectural Features and Detecting Breast Cancer with Magnetic Resonance Diffusion Tensor Imaging

Published on: December 15, 2014

23.3K

Principales métodos:

  • Desarrollamos GradiNet, una novedosa arquitectura GNN para el reconocimiento de tumores mamarios.
  • Modelamos la estructura discriminatoria del grafo utilizando una función de objetivo de aprendizaje de grafos.
  • Introdujimos un mecanismo de propagación de características GNN basado en la ecuación de difusión de calor de Fourier con condiciones de contorno adiabáticas para simular cambios de distribución.

Principales resultados:

  • Demostramos la efectividad de la estructura de grafo aprendida teórica y empíricamente.
  • Mostramos la simulación adaptativa de cambios de distribución y la generalización mejorada.
  • Logramos un rendimiento de vanguardia en conjuntos de datos de imágenes de ultrasonido de tumores mamarios públicos y privados en múltiples métricas.

Conclusiones:

  • GradiNet aborda eficazmente los desafíos en el análisis de imágenes de tumores mamarios, incluida la baja similitud intraclase y el cambio de distribución.
  • El método propuesto reduce la dependencia de datos etiquetados extensos a través del aprendizaje semi-supervisado.
  • GradiNet mejora significativamente el rendimiento de clasificación y la generalización para la detección de tumores mamarios.