Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

Positron Emission Tomography01:29

Positron Emission Tomography

6.2K
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...
6.2K
Imaging Studies II: Positron Emission Tomography and Scintigraphy01:25

Imaging Studies II: Positron Emission Tomography and Scintigraphy

853
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
853

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
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: May 2, 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

3.6K

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

Sofija Engelson1,2, Yannic Elser3, Malte Maria Sieren3,4

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

Journal of medical imaging (Bellingham, Wash.)
|February 20, 2026
PubMed
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
10:26

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

Published on: May 19, 2023

2.6K
Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
07:53

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

Published on: October 13, 2023

2.2K

Videos de Experimentos Relacionados

Last Updated: May 2, 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

3.6K
Author Spotlight: A 3D Digital Model for the Diagnosis and Treatment of Pulmonary Nodules
10:26

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

Published on: May 19, 2023

2.6K
Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
07:53

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

Published on: October 13, 2023

2.2K

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.