Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する実験動画

Updated: Sep 8, 2025

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

2.9K

医用画像セグメンテーションは,平均教師のフレームワークによる二重解読器の相互学習を使用します.

Juan Zhang1,2, Gaoqiang Jiang1,2, Zhongwen Li3

  • 1National Engineering Research Center of Ophthalmology and Optometry, Eye Hospital, Wenzhou Medical University, Wenzhou, 325027, China.

Pattern recognition
|August 20, 2025
PubMed
まとめ

関連する概念動画

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

Laser-Based Micro/Nano Additive Manufacturing of Conductive Structures on Transparent Substrates: Technical Approaches, Challenges, and Future Prospects.

Langmuir : the ACS journal of surfaces and colloids·2025
Same author

A deep semi-supervised learning approach to the detection of glaucoma on out-of-distribution retinal fundus image datasets.

BMC ophthalmology·2025
Same author

Adaptive boundary-enhanced Dice loss for image segmentation.

Biomedical signal processing and control·2025
Same author

Parameter Optimization for Laser Peen Forming on 6005A-T6 Aluminum Alloy Plates to Enhance the Constrained Deformation of Integral Stiffened Plates.

Materials (Basel, Switzerland)·2024
Same author

UGLS: an uncertainty guided deep learning strategy for accurate image segmentation.

Frontiers in physiology·2024
Same author

In Situ Synthesis of (M:Nb,Ta)C/Ni35 Composite Coating Cladded on 40Cr Steel.

Materials (Basel, Switzerland)·2021
Same journal

Spatial Coherence Loss: All Objects Matter in Salient and Camouflaged Object Detection.

Pattern recognition·2026
Same journal

LDM-Morph: Latent diffusion model guided deformable image registration.

Pattern recognition·2026
Same journal

Variable Priority for Unsupervised Variable Selection.

Pattern recognition·2026
Same journal

A Deep Spatio-Temporal Architecture for Dynamic ECN Analysis with Granger Causality based Causal Discovery.

Pattern recognition·2025
Same journal

Multi-graph Graph matching for coronary artery semantic labeling in invasive coronary angiograms.

Pattern recognition·2025
Same journal

A graph transformer-based foundation model for brain functional connectivity network.

Pattern recognition·2025
関連記事をすべて見る
この要約は機械生成です。

この研究は,医療画像セグメンテーションのための新しい半監督学習方法であるデュアルデコーダー相互学習 (DDMT) を導入します. DDMTは,限定されたラベルデータと豊富なラベルのないデータを効果的に使用することによって,注釈の努力を大幅に削減します.

科学分野:

  • 医学画像分析
  • ディープラーニング
  • コンピュータビジョン

背景:

  • 医療用画像の正確なセグメンテーションは,臨床応用において極めて重要です.
  • 医学画像のピクセルレベルでの 手動のアノテーションは 時間と労力を要するものです
  • ディープラーニングモデルは,最大限のパフォーマンスを実現するために,大きなアノテーションされたデータセットを必要とします.

研究 の 目的:

  • 手動のアノテーションの努力を減らすため,新しい半監督セグメンテーション方法を開発する.
  • 細分化タスクにおけるディープラーニングモデルの安定性と形状の一貫性を向上させる.
  • ラベル付きの画像が限られ,ラベルが付いていない画像が豊富で,有望なセグメンテーションパフォーマンスを達成します.

主な方法:

  • デュアルデコーダー相互学習 (DDMT) を導入し,半監督セグメンテーション方法である.
  • モデルの安定性を高めるために組み込まれた平滑指数移動平均 (sEMA)
  • 整合的な形状一貫性制約 (SCC) は,解読器の間で一貫した形状学習を可能にします.

主要な成果:

  • DDMTは,限られたラベルデータで有望なセグメンテーションパフォーマンスを示しました.
キーワード:
指数関数移動平均イメージセグメンテーション悪い先生相互学習半監督学習

さらに関連する動画

Deep Learning-Based Segmentation of Cryo-Electron Tomograms
10:25

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

9.3K

関連する実験動画

Last Updated: Sep 8, 2025

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

2.9K
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
10:25

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

9.3K
  • この方法は最新の 半監督学習法よりも ずっと優れています
  • 左心室,臓,光ディスクのデータセットでの実験で DDMTの有効性が確認されました.

    • 結論:

    • DDMTは,医療画像セグメンテーションのマニュアルアノテーションを減らすための効果的なソリューションを提供します.
    • 提案された方法は,モデルの安定性と形状の一貫性を高めます.
    • DDMTは,正確な画像セグメンテーションを必要とする臨床アプリケーションの大きな可能性を示している.