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

VeloRM: disentangling pre- and post-splicing RNA modification dynamics at single-cell resolution.

Nucleic acids research·2026
Same author

Tape Casting of LLZO Ceramic Separators: An Overview of Challenges, Optimization Strategies, and Paths to Industrial Implementation.

ChemSusChem·2026
Same author

Comprehensive Epitranscriptome Analysis from MeRIP-seq Data with exomePeak2.

Genomics, proteomics & bioinformatics·2026
Same author

Interpretable arrhythmia detection in ECG scans using deep learning ensembles: a genetic programming approach.

NPJ digital medicine·2025
Same author

Disentangling autoencoders and spherical harmonics for efficient shape classification in crystal growth simulations.

Communications physics·2025
Same author

Influences of nutrients on summer algal bloom in the Changjiang plume revealed by high-resolution profiles.

Marine environmental research·2025

相关实验视频

Updated: Jul 25, 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

2.8K

三重内核封闭式基于注意力的多重实例学习与对比学习用于医学图像分析.

Huafeng Hu1, Ruijie Ye2, Jeyan Thiyagalingam3

  • 1Department of Electrical and Electronic Engineering, University of Liverpool based at Xi'an Jiaotong-Liverpool University, Suzhou, 215123 Jiangsu China.

Applied intelligence (Dordrecht, Netherlands)
|June 26, 2023
PubMed
概括
此摘要是机器生成的。

我们开发了一种新的深度多重实例学习 (MIL) 模型,用于医学图像分析. 这种方法提高了分类的准确性,并为各种疾病模型提供了解释性的见解.

关键词:
深度学习是一种深度学习.医疗图像分析 医学图像分析多个实例的学习是多个实例的学习.

更多相关视频

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

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

444
A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

1.9K

相关实验视频

Last Updated: Jul 25, 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

2.8K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

444
A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

1.9K

科学领域:

  • 机器学习 机器学习
  • 医学图像分析 医学图像分析
  • 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

  • 多个实例学习 (MIL) 是一种监督学习方法,其中数据被组织成实例"袋".
  • 现有的MIL方法在医学图像分析应用中面临局限性.
  • 准确和可解释的医学图像分类仍然是一个挑战.

研究的目的:

  • 提出一种新的深度多实例学习模型,用于增强医疗图像分析.
  • 克服医疗领域当前MIL方法的局限性.
  • 提高分类性能,并为疾病模型提供解释性信息.

主要方法:

  • 一个新的三核封闭的基于注意力的MIL模型,结合了对比式学习.
  • 使用卷积神经网络与对比学习进行表示提取.
  • 使用三个不同的内核函数来权衡实例重要性,生成注意地图.
  • 基于注意力的MIL聚合用于图像聚合和分类.

主要成果:

  • 拟议的模型在二进制和弱监督的分类任务上明显优于最先进的方法.
  • 在各种医学成像数据集中表现出卓越的性能.
  • 与现有方法相比,实现了更高效的分类结果.

结论:

  • 新型深度MIL模型为医学图像分析提供了强大的工具.
  • 该模型提供了更高的分类准确性和有价值的解释信息.
  • 这种方法有望改善各种疾病模型的诊断能力.