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

Classification of Bones01:18

Classification of Bones

The bones of the human skeletal system are of varied shapes, sizes, and functions. They can be classified based on their shape and function into four major classes: long bones, short bones, flat bones, and irregular bones. Some classifications include a fifth type, the sesamoid bones, as a separate class, whereas others categorize them under short bones.
Long and Short Bones
The appendicular skeleton, particularly the upper and lower limbs, is primarily made of long and short bones. The long...

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

Injecting reasoning into vision-language models via weight-decomposed merging.

Neural networks : the official journal of the International Neural Network Society·2026
Same author

Non-invasive diagnostic model for myocarditis using cardiac magnetic resonance radiomics.

Quantitative imaging in medicine and surgery·2026
Same author

Author Correction: Towards clinical-level interpretation of dental panoramic radiography using an instance-guided vision-language model.

Nature biomedical engineering·2026
Same author

DiffRES: Unleashing Text-to-Image Diffusion Models for Generative Referring Expression Segmentation Without Information Leakage.

IEEE transactions on image processing : a publication of the IEEE Signal Processing Society·2026
Same author

LoRASculpt: Harmonious Low-Rank Adaptation for Multimodal Large Language Models.

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

Towards clinical-level interpretation of dental panoramic radiography using an instance-guided vision-language model.

Nature biomedical engineering·2026

関連する実験動画

Updated: Jun 29, 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

3.3K

クラス不均衡半教師あり多臓器セグメンテーションのためのテキスト解剖学的知識の活用

Yuliang Gu, Weilun Tsao, Yepeng Liu

    IEEE transactions on medical imaging
    |January 12, 2026
    PubMed
    まとめ

    本研究では、マルチモーダル大規模言語モデル（MLLM）を使用して解剖学的プライオリティを抽出する新しい手法を導入し、テキストの洞察を活用して臓器の位置特定と形状の妥当性を向上させることで、精度を大幅に向上させる。

    キーワード:
    半教師あり学習多臓器セグメンテーション解剖学的知識大規模言語モデル医療画像解析

    さらに関連する動画

    Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies
    04:25

    Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies

    Published on: December 15, 2023

    3.7K
    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
    04:48

    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

    Published on: July 5, 2024

    732

    関連する実験動画

    Last Updated: Jun 29, 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

    3.3K
    Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies
    04:25

    Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies

    Published on: December 15, 2023

    3.7K
    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
    04:48

    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

    Published on: July 5, 2024

    732

    科学分野:

    • 医療画像解析
    • 人工知能
    • 計算解剖学

    背景:

    • 半教師あり多臓器セグメンテーションは、クラス分布の不均衡により課題に直面しています。
    • 解剖学的知識の統合は、これらのセグメンテーションの困難に対処するための重要な戦略です。

    研究 の 目的:

    • マルチモーダル大規模言語モデル（MLLM）を使用して解剖学的プライオリティを抽出する。
    • テキスト解剖学的洞察を組み込むことによって、半教師あり多臓器セグメンテーションを改善する。

    主な方法:

    • GPT-4oを使用して、解剖学的プライオリティとして臓器の位置関係と形状のテキスト記述を生成しました。
    • これらのテキストプライオリティをセグメンテーションモデルのヘッドに統合しました。
    • テキストプライオリティと視覚的特徴を整列させるために、対照学習を採用しました。

    主要な成果:

    • 提案手法は、最先端のアプローチと比較して大幅なパフォーマンス向上を示しました。
    • 臓器間の位置的プライオリティは、大きな臓器と比較して小さな臓器の位置特定に役立ちました。
    • 臓器の形状プライオリティは、学習された形態構造の解剖学的妥当性を向上させました。

    結論:

    • MLLM由来の解剖学的プライオリティは、半教師あり多臓器セグメンテーションを強化するのに効果的です。
    • 対照学習によるテキスト特徴と視覚的特徴の統合は、セグメンテーションの精度と解剖学的正確性を向上させます。