Search research articles

Search research articles

Video Experimental Relacionado

Updated: Feb 22, 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

Segmentación mejorada de imágenes médicas mediante LSTM bidireccional optimizado y optimizador de socios de delfines

Afnan M Alhassan¹, Nouf I Altmami¹

¹Department of Computer Science, College of Computing and Information Technology, Shaqra University, Shaqra, Saudi Arabia.

|February 20, 2026

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

Quadra Sense: A Fusion of Deep Learning Classifiers for Mitosis Detection in Breast Cancer Histopathology.

Diagnostics (Basel, Switzerland)·2026

Same author

DL-PCMNet: Distributed Learning Enabled Parallel Convolutional Memory Network for Skin Cancer Classification with Dermatoscopic Images.

Diagnostics (Basel, Switzerland)·2026

Same author

Intrusion detection using search-based learning optimized ensemble tree classifier model.

PloS one·2025

Same author

IV3TM: Inception V3 enabled bidirectional long short-term memory network for brain tumor classification.

PloS one·2025

Same author

Mitosis detection in histopathological images using customized deep learning and hybrid optimization algorithms.

PloS one·2025

Same author

Fuzzy Optimized Attention Network with Multi-Instance Deep Learning (FOAN-MIDL) for Alzheimer's Disease Diagnosis with Structural Magnetic Resonance Imaging (sMRI).

Diagnostics (Basel, Switzerland)·2025

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

Este estudio presenta un modelo OBi-LSTM optimizado para mejorar la segmentación de imágenes médicas. El enfoque OBi-LSTM, optimizado con DPO, mejora significativamente la precisión de la clasificación y la extracción de características en escáneres médicos.

Área de la Ciencia:

Imagenología Médica
Inteligencia Artificial
Ingeniería Biomédica

Sus antecedentes:

La imagen médica es crucial para el diagnóstico y el tratamiento, y el aprendizaje automático y profundo son cada vez más vitales para el análisis de imágenes.
La segmentación precisa de imágenes médicas es esencial para un diagnóstico clínico eficaz y la comprensión de la función de tejidos y órganos.
Las técnicas de aprendizaje profundo han atraído una atención significativa para avanzar en las capacidades de segmentación de imágenes médicas.

Objetivo del estudio:

Introducir una técnica OBi-LSTM para la clasificación y segmentación de imágenes médicas.
Mejorar la precisión y la eficiencia de la segmentación de imágenes médicas utilizando un nuevo enfoque de aprendizaje profundo.
Evaluar el rendimiento del modelo OBi-LSTM propuesto frente a los métodos actuales del estado del arte.

Palabras clave:

LSTM bidireccional optimizado Segmentación de imágenes médicas Optimizador de socios de delfines Aprendizaje profundo Diagnóstico clínico

Videos de Experimentos Relacionados

Last Updated: Feb 22, 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

Principales métodos:

Desarrolló un clasificador OBi-LSTM que procesa datos secuenciales en direcciones hacia adelante y hacia atrás.
Empleó el DPO para ajustar los parámetros de peso y sesgo dentro del clasificador Bi-LSTM para un rendimiento optimizado de las celdas.
Implementó un modelo de aprendizaje profundo diseñado para considerar simultáneamente las ubicaciones espaciales, los canales y las escalas para mejorar la segmentación.

Principales resultados:

El modelo OBi-LSTM logró un coeficiente de similitud de Dice del 94,05%, un índice de Jaccard del 88,77% y una precisión del 93,05% en pruebas de segmentación de RM.
El modelo propuesto OBi-LSTM + DPO demostró un rendimiento superior en comparación con las técnicas existentes en la segmentación de imágenes médicas.
El modelo mostró mejoras significativas en la delineación de límites y la extracción de características, lo que resalta su eficacia.

Conclusiones:

El modelo OBi-LSTM, optimizado con DPO, ofrece una solución potente y eficiente para la segmentación de imágenes médicas.
El método propuesto mejora significativamente el rendimiento de la segmentación, particularmente en la delineación precisa de límites y la extracción detallada de características.
OBi-LSTM demuestra un fuerte poder explicativo y supera las técnicas actuales del estado del arte, validando su utilidad clínica.