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

関連する概念動画

Computed Tomography01:10

Computed Tomography

6.1K
Tomography refers to imaging by sections. Computed tomography (CT) is a non-invasive imaging technique that uses computers to analyze several cross-sectional X-rays to reveal minute details about structures in the body.
The technique was invented in the 1970s and is based on the principle that as X-rays pass through the body, they are absorbed or reflected at different levels. In the technique, a patient lies on a motorized platform while a computerized axial tomography (CAT) scanner rotates...
6.1K
Imaging Studies III: Computed Tomography01:27

Imaging Studies III: Computed Tomography

50
DefinitionComputed Tomography (CT) of the genitourinary (GU) tract is a non-invasive imaging modality that utilizes X-rays and computer processing to generate detailed cross-sectional images of the urinary system, encompassing the kidneys, ureters, bladder, and adjacent structures such as the adrenal glands.PurposeCT scans of the GU tract serve several diagnostic and therapeutic purposes, including:Diagnosis of Urinary Tract Diseases: Detects kidney stones, tumors, cysts, and congenital...
50
Brain Imaging01:14

Brain Imaging

310
Brain imaging technologies provide critical insights into both the structure and function of the human brain, enabling medical professionals and researchers to diagnose, study, and treat neurological disorders or psychiatric disorders more effectively.
These technologies include computerized axial tomography (CAT or CT scans), positron-emission tomography (PET scans),  magnetic resonance imaging (MRI),  functional magnetic resonance imaging (fMRI), and Transcranial Magnetic...
310

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

Wave-aware mortality prediction in COVID-19: a multi-stage feature selection and explainable machine-learning framework.

BMC medical informatics and decision making·2026
Same author

"Comment on: Safety and Tolerability of Multimodal Therapy (Ivermectin, Doxycycline, Vitamin C, Vitamin D, and Zinc) With or Without Famotidine in Australian Patients With COVID-19 Infection: A Pilot Cohort Trial," for Potential Publication in the American Journal of Therapeutics.

American journal of therapeutics·2026
Same author

Effects of Citrate Mixture on Gout Flares During Urate-Lowering Therapy Initiation Among Chinese Male Underexcretion-Type Gout Patients: A Prospective Cohort Study.

Journal of inflammation research·2026
Same author

Quantum Conflict Measurement in Decision Fusion for Out-of-Distribution Detection.

IEEE transactions on pattern analysis and machine intelligence·2026
Same author

Cluster-defined gout subtypes exhibit divergent chronic kidney disease trajectories: a machine learning approach in a Chinese prospective cohort.

Rheumatology (Oxford, England)·2026
Same author

Effects of adding urinary alkalizer citrate mixture to febuxostat in gout patients with combined-type hyperuricemia and low urine pH: a prospective cohort study.

Arthritis research & therapy·2026

関連する実験動画

Updated: Sep 9, 2025

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
14:08

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images

Published on: April 13, 2013

42.8K

コンピュータ・ビジョンによる複数の脳腫瘍の効率的なセグメンテーションと分類

Aqib Ali1, Xinde Li2,3, Wali Khan Mashwani4

  • 1Key Laboratory of Measurement and Control of CSE, School of Automation, Southeast University, Nanjing, 210096, China.

Scientific reports
|September 1, 2025
PubMed
まとめ

コンピュータビジョンは 脳の腫瘍の6つのタイプを 効率的に分類します 多層パーセプトンは97. 83%の精度を達成し,神経腫瘍学的診断におけるこれらの技術の可能性を実証した.

キーワード:
ABTFCS について脳腫瘍コンピュータビジョンマルチレイヤーパーセプトン最適化された統計マルチ機能

さらに関連する動画

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
Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images
06:48

Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images

Published on: January 7, 2019

9.0K

関連する実験動画

Last Updated: Sep 9, 2025

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
14:08

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images

Published on: April 13, 2013

42.8K
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
Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images
06:48

Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images

Published on: January 7, 2019

9.0K

科学分野:

  • 医療用イメージング
  • 人工知能
  • 神経腫瘍学

背景:

  • 脳腫瘍は診断に 大きな課題を 抱えています
  • 効果的な治療計画には 腫瘍の正確な分類が不可欠です
  • コンピュータトモグラフィー (CT) スキャンは,脳腫瘍の検出のための主要なイメージング方式です.

研究 の 目的:

  • 6種類の脳腫瘍 (良性および悪性) をCTスキャンを用いて分類するためのコンピュータビジョン (CV) 技術の有効性を評価する.
  • 自動脳腫瘍分類のための堅牢な枠組みを開発し,検証する.
  • このタスクのために様々なCV分類器のパフォーマンスを比較します.

主な方法:

  • 900のCTスキャンのデータセットが前処理され,自動バイナリス値ベースの fuzzy c-meansセグメンテーション (ABTFCS) を使用してノイズ削減と関心領域 (ROI) の抽出が含まれています.
  • 各ROIから135の統計的マルチフィーチャーが抽出され,相関に基づくフィーチャー選択を使用して12のフィーチャーが最適化されました.
  • 5つのCV分類器 (MLP,BayesNet,PART,ランダムツリー,ランダム化フィルター分類器) を10倍クロス検証で評価した.

主要な成果:

  • 前処理と特性の抽出パイプラインは,分類のための洗練されたデータセットを生成しました.
  • 特徴選択は,腫瘍の種類を区別するために最も関連する統計的属性を特定しました.
  • 多層パーセプトン (MLP) は,ハイパーパラメータチューニング後に最高級の分類精度97.83%を達成した.

結論:

  • コンピュータビジョン技術,特にMLPは,CTスキャンから脳腫瘍を分類する上で高い効果を示しています.
  • 提案された枠組みは,脳腫瘍の診断に有望な自動化されたアプローチを提供します.
  • 診断の正確さを高めるため,より大きなデータセットと高度なCVモデルを探索することができます.