Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

Higher Mental Functions of Brain: Learning and Memory01:26

Higher Mental Functions of Brain: Learning and Memory

Memory is one of the most vital higher mental functions of the brain. Memory is closely related to learning because it enables us to retain information and experiences from our past to use them in our present life. It also helps us to remember facts, events, and skills, such as riding a bike or swimming. There are two types of memory — declarative memory, which involves memorizing facts or events, and procedural memory, which enables us to remember how to do something like writing or playing an...
Organization of the Brain01:31

Organization of the Brain

The brain is an integral component of the nervous system and serves as the center for processing sensory inputs, making decisions, and directing bodily actions. This complex organ is organized into three primary sections: the hindbrain, midbrain, and forebrain, each responsible for a range of vital functions.
Hindbrain
The hindbrain, located at the base of the brain, plays a vital role in regulating automatic processes that sustain life. It includes the medulla oblongata, which is essential for...

También podría leer

Artículos Relacionados

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

Ordenar por
Same journal

A novel carotid artery catheterization device for intracranial drug delivery in rats and mice.

Journal of neuroscience methods·2026
Same journal

Event-related potential dynamics of unilateral lower limb movement with functional connectivity analysis.

Journal of neuroscience methods·2026
Same journal

Design and validation of a reaching-task system for quantifying wrist extension recovery after radial nerve repair in nonhuman primates.

Journal of neuroscience methods·2026
Same journal

Chromate/Fluoro-Jade: A high resolution and contrast fluorescent staining method for localizing myelinated fibers in paraffin embedded brain tissue sections.

Journal of neuroscience methods·2026
Same journal

Mesenchymal stem cell-derived small extracellular vesicles in spinal cord injury: From molecular repair mechanisms to standardized translational development.

Journal of neuroscience methods·2026
Same journal

Neurochemistry and post-mortem neurotransmitters: toward the study of neurochemical connectivity.

Journal of neuroscience methods·2026
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: Jul 23, 2026

Large-scale Reconstructions and Independent, Unbiased Clustering Based on Morphological Metrics to Classify Neurons in Selective Populations
12:27

Large-scale Reconstructions and Independent, Unbiased Clustering Based on Morphological Metrics to Classify Neurons in Selective Populations

Published on: February 15, 2017

Una red neuronal profunda optimizada con atención jerárquica para la clasificación de tejido cerebral

Divya Sundar V S1, Vijayachamundeeswari V2

  • 1Department of Computer Science and Engineering, Saveetha Engineering College, Thandalam, Chennai-602105, India.

Journal of neuroscience methods
|February 25, 2026
PubMed
Resumen

Este estudio presenta un modelo optimizado de aprendizaje profundo para la segmentación y clasificación precisas del tejido cerebral en resonancias magnéticas. El nuevo enfoque logra una alta precisión en la detección de anomalías del tejido cerebral, mejorando las capacidades diagnósticas.

Palabras clave:
Segmentación de tejido cerebralRed de cápsulasAlgoritmo de optimización CoatiPuente de acumulación fusionadoAtención jerárquicaBloques residuales

Videos de Experimentos Relacionados

Last Updated: Jul 23, 2026

Large-scale Reconstructions and Independent, Unbiased Clustering Based on Morphological Metrics to Classify Neurons in Selective Populations
12:27

Large-scale Reconstructions and Independent, Unbiased Clustering Based on Morphological Metrics to Classify Neurons in Selective Populations

Published on: February 15, 2017

Área de la Ciencia:

  • Análisis de imágenes médicas
  • Aplicaciones de aprendizaje profundo
  • Neurociencia

Sus antecedentes:

  • La diferenciación precisa del tejido cerebral en imágenes de resonancia magnética (RM) es crucial para las aplicaciones médicas.
  • Los métodos existentes enfrentan limitaciones debido a inconsistencias de diferentes tipos de escáneres y procedimientos de adquisición.
  • Las complejas estructuras del tejido cerebral requieren técnicas avanzadas de segmentación.

Objetivo del estudio:

  • Desarrollar un método optimizado y eficaz de aprendizaje profundo jerárquico para detectar anomalías en el tejido cerebral.
  • Mejorar la precisión de la clasificación y segmentación del tejido cerebral en RM.
  • Abordar las limitaciones de los métodos actuales para manejar la variabilidad entre escáneres.

Principales métodos:

  • Preprocesamiento de imágenes de RM mediante normalización min-max.
  • Un nuevo enfoque de segmentación híbrido, el módulo de puente U-net de acumulación fusionada residual (ResFAU-net), que combina bloques residuales, puertas de atención y el módulo de puente de acumulación fusionada.
  • Clasificación utilizando la Red de Cápsulas Modificada en Cascada con Atención Jerárquica (HAMC3), que integra CNN y atención jerárquica.

Principales resultados:

  • El modelo se evaluó en el conjunto de datos BRATS2020.
  • El rendimiento se validó utilizando métricas que incluyen la puntuación Dice, la intersección sobre la unión (IoU), la precisión, la sensibilidad, la especificidad y la puntuación F1.
  • El modelo propuesto demostró un sólido rendimiento en varios indicadores.

Conclusiones:

  • El modelo de aprendizaje profundo jerárquico desarrollado segmenta y clasifica eficazmente el tejido cerebral anormal.
  • El modelo logró una puntuación IoU alta de 96,29 % y una precisión de 99,03 %.
  • Este enfoque muestra un potencial significativo para mejorar la detección de anomalías en el tejido cerebral.