Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Unlocking the colon clock: Bridging the gap in colonic transit time studies for optimal management of chronic constipation.

World journal of gastrointestinal pharmacology and therapeutics·2026
Same author

Deep learning in lower gastrointestinal cancer detection: Advances in endoscopic, radiologic, and histopathologic diagnostics.

World journal of gastrointestinal oncology·2026
Same author

Multimodal learning for scalable representation of high-dimensional medical data.

Frontiers in digital health·2026
Same author

Current management strategies for sarcopenia and frailty in cirrhosis: Missing link in transplant candidacy.

World journal of hepatology·2026
Same author

Gluten's silent strike: Unmasking its impact on liver health.

World journal of gastrointestinal pathophysiology·2026
Same author

The Prevalence of Various Autoimmune Comorbidities in Patients with Inflammatory Bowel Disease.

Epidemiologia (Basel, Switzerland)·2025

相关实验视频

Updated: Jul 28, 2025

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

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

447

学习二进制和稀疏的顺序不变表示,以快速和内存高效的整个幻灯片图像搜索.

Sobhan Hemati1, Shivam Kalra1, Morteza Babaie1

  • 1Kimia Lab, University of Waterloo, Waterloo, ON, Canada.

Computers in biology and medicine
|June 2, 2023
PubMed
概括

这项研究引入了一种创建紧整片图像 (WSI) 表示的新方法,提高了癌症分类和检索系统的记忆效率. 这种新的方法可以在大型医疗图像档案中进行更快,更准确的搜索.

关键词:
费舍尔向量理论 费舍尔向量理论图像表示图像表示.多个实例的学习学习.整个幻灯片成像成像系统.

更多相关视频

Creating Objects and Object Categories for Studying Perception and Perceptual Learning
14:38

Creating Objects and Object Categories for Studying Perception and Perceptual Learning

Published on: November 2, 2012

11.9K
Lensless Fluorescent Microscopy on a Chip
11:23

Lensless Fluorescent Microscopy on a Chip

Published on: August 17, 2011

17.7K

相关实验视频

Last Updated: Jul 28, 2025

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

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

447
Creating Objects and Object Categories for Studying Perception and Perceptual Learning
14:38

Creating Objects and Object Categories for Studying Perception and Perceptual Learning

Published on: November 2, 2012

11.9K
Lensless Fluorescent Microscopy on a Chip
11:23

Lensless Fluorescent Microscopy on a Chip

Published on: August 17, 2011

17.7K

科学领域:

  • 数字病理学数字病理学
  • 计算成像技术的成像
  • 机器学习用于医疗应用.

背景情况:

  • 整个幻灯片图像 (WSIs) 由于其千兆像素大小,对计算分析提出了重大挑战.
  • 当前的补丁处理和多实例学习 (MIL) 方法在端到端训练期间需要高GPU内存.
  • 在大型医疗档案中,对紧,稀疏或二进制表示的需求至关重要,以便在大型医疗档案中有效检索.

研究的目的:

  • 开发一个新的框架来学习紧整片图像 (WSI) 表示.
  • 在WSI分析和检索过程中增强内存和计算效率.
  • 为了在大型医疗档案中实现实时图像检索.

主要方法:

  • 利用深度条件生成建模和费舍尔向量理论来学习WSI表示.
  • 采用基于实例的培训来提高记忆和计算效率.
  • 介绍了梯度稀疏性和梯度量化损失,以学习稀疏的 (有条件的稀疏费舍尔向量 - C-Deep-SFV) 和二进制的 (有条件的二进制费舍尔向量 - C-Deep-BFV) 变量不变表示.

主要成果:

  • 拟议的C-Deep-SFV和C-Deep-BFV方法在TCGA和LKS数据集上表现出优越的检索准确度和速度,与Yottixel和基于GMM的费舍尔矢量相比.
  • 在TCGA和LKS数据集的肺癌数据上获得了与最先进的WSI分类方法相比具有竞争力的性能.
  • 基于实例的训练显著降低了GPU内存消耗.

结论:

  • 新的框架有效地产生了适合大规模搜索和分类的紧和高效的WSI表示.
  • 拟议的梯度稀疏性和量子化损失是实现稀疏和二进制表示以改善检索的关键.
  • 这项工作解决了数字病理学的关键挑战,为更高效的医学图像分析系统铺平了道路.