Search research articles

ACERCA DE JoVE

Visión General Liderazgo Blog Centro de Ayuda JoVE

AUTORES

Proceso de Publicación Consejo Editorial Alcance y Políticas Revisión por Pares Preguntas Frecuentes Enviar

BIBLIOTECARIOS

Testimonios Suscripciones Acceso Recursos Consejo Asesor de Bibliotecas Preguntas Frecuentes

INVESTIGACIÓN

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments Archivo

EDUCACIÓN

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual Centro de Recursos para Profesores Sitio de Profesores

Términos y Condiciones de Uso

Política de Privacidad

Videos de Conceptos Relacionados

Positron Emission Tomography

Positron Emission Tomography

Positron emission tomography (PET) is a medical imaging technique involving radiopharmaceuticals — substances that emit short-lived radiation. Although the first PET scanner was introduced in 1961, it took 15 more years before radiopharmaceuticals were combined with the technique and revolutionized its potential.
One of the main requirements of a PET scan is a positron-emitting radioisotope, which is produced in a cyclotron and then attached to a substance used by the part of the body...

Imaging Studies II: Positron Emission Tomography and Scintigraphy

Imaging Studies II: Positron Emission Tomography and Scintigraphy

Positron Emission Tomography (PET) is a medical imaging technique that provides crucial insights into the body's physiological functions at a molecular level. It is an indispensable resource for diagnosing, staging, and monitoring various illnesses, notably cancer, neurological disorders, and cardiovascular conditions.
Fundamental Principles of PET

También podría leer

Artículos Relacionados

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

Ordenar por

Same author

Postprandial Changes in Thoracic Aortic Flow Detected by 4D Flow MRI May Influence Study Results.

Journal of magnetic resonance imaging : JMRI·2026

Same author

Zentralblatt fur Chirurgie·2026

Same author

Continuous Coagulation Monitoring in Human Blood Samples via Magnetic Particle Spectroscopy.

International journal of nanomedicine·2026

Same author

Simple-to-Fabricate and Water-Stable Instrument Markers for Preclinical Magnetic Particle Imaging and Magnetic Resonance Imaging.

Medical devices (Auckland, N.Z.)·2026

Same author

Towards clinical magnetic particle imaging: safety measurements of medical implants in a human cadaver model.

Communications engineering·2025

Same author

Bake your phantom-low-cost recipes for dough-based, tissue-mimicking CT phantoms.

European radiology·2025

Same journal

Literature Reviews After AI.

Journal of medical imaging (Bellingham, Wash.)·2026

Same journal

Illustration of transfer learning from breast cancer detection to risk prediction: adaptation to local data and local objectives.

Journal of medical imaging (Bellingham, Wash.)·2026

Same journal

RadGazeGen: radiomics and gaze-guided chest X-ray generation using diffusion models.

Journal of medical imaging (Bellingham, Wash.)·2026

Same journal

DDARes-U<sup>2</sup>Net: a dual-decoder adversarial residual U<sup>2</sup>Net algorithm for segmentation of COVID-19 pneumonia lesions.

Journal of medical imaging (Bellingham, Wash.)·2026

Same journal

High-speed optical tracking and augmented reality platform for image-guided interventions.

Journal of medical imaging (Bellingham, Wash.)·2026

Same journal

Transplant-ready? Evaluating AI lung segmentation models in candidates with severe lung disease.

Journal of medical imaging (Bellingham, Wash.)·2026

Ver todos los artículos relacionados

Search research articles

Video Experimental Relacionado

Updated: May 2, 2026

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

La evaluación de los ganglios linfáticos mediastinales basados en el aprendizaje profundo en imágenes PET/CT sin

Sofija Engelson^1,2, Yannic Elser³, Malte Maria Sieren^3,4

¹University of Lübeck, Institute of Medical Informatics, Medical Image Computing and Artificial Intelligence, Lübeck, Germany.

Journal of medical imaging (Bellingham, Wash.)

|February 20, 2026

Resumen

Este resumen es generado por máquina.

Este estudio introduce un algoritmo de aprendizaje profundo para el N-staging automatizado, mejorando la evaluación de los ganglios linfáticos en el diagnóstico del cáncer. El modelo de supervisión débil logra una alta precisión sin anotaciones a nivel de píxeles, lo que agiliza el proceso.

Palabras clave:

N-estadificación de las etapas.Aprendizaje profundo Aprendizaje profundo.las etiquetas a nivel de imagen.en los ganglios linfáticos mediastinos.Los priores son los priores.Aprendizaje con poca supervisión y aprendizaje poco supervisado.

Más Videos Relacionados

Author Spotlight: A 3D Digital Model for the Diagnosis and Treatment of Pulmonary Nodules

Author Spotlight: A 3D Digital Model for the Diagnosis and Treatment of Pulmonary Nodules

Published on: May 19, 2023

Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer

Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer

Published on: October 13, 2023

Videos de Experimentos Relacionados

Last Updated: May 2, 2026

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

Author Spotlight: A 3D Digital Model for the Diagnosis and Treatment of Pulmonary Nodules

Author Spotlight: A 3D Digital Model for the Diagnosis and Treatment of Pulmonary Nodules

Published on: May 19, 2023

Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer

Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer

Published on: October 13, 2023

Área de la Ciencia:

Imágenes médicas de imágenes médicas.
La inteligencia artificial es la inteligencia artificial.
Oncología Oncología.

Sus antecedentes:

La estadificación N es crucial para el diagnóstico del cáncer, evaluando la participación de los ganglios linfáticos para guiar el tratamiento.
La evaluación manual de los ganglios linfáticos en las exploraciones PET / CT es un desafío debido al bajo contraste y la heterogeneidad morfológica.
Los métodos actuales consumen mucho tiempo y pueden ser subjetivos.

Objetivo del estudio:

Desarrollar un algoritmo de aprendizaje profundo para el N-staging automatizado.
Para agilizar la localización, clasificación y estadificación de los ganglios linfáticos mediastinales.
Para permitir una capacitación con poca supervisión sin anotaciones a nivel de píxeles.

Principales métodos:

Utilizado el registro atlas-a-paciente para la localización de la estación de los ganglios linfáticos.
Aprendizaje empleado débilmente supervisado con etiquetas a nivel de imagen y pseudoetiquetas deducidas.
Entrenó un modelo de aprendizaje profundo para la clasificación de las estaciones de los ganglios linfáticos y la estadificación N automatizada.

Principales resultados:

Se logró una precisión de 0,88, una sensibilidad de 0,72 y una especificidad de 0,90 para la clasificación de la estación de nódulos linfáticos.
Superó el rendimiento de los enfoques estándar basados en umbrales y los algoritmos de segmentación de lesiones PET.
Se logró una precisión de 0,63 para el estadio N automático, comparable a los modelos entrenados con máscaras de segmentación.

Conclusiones:

Dividir el problema N-staging en subtareas mejora el rendimiento.
La integración de conocimientos previos (registro de atlas) mejora las capacidades del modelo.
Los modelos con supervisión débil pueden lograr un rendimiento comparable o superior al de los métodos totalmente supervisados.