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

Anthropogenic gadolinium contamination in tap water across the Paris megacity: Rare earth elements trace sources and mixing.

Environmental pollution (Barking, Essex : 1987)·2026
Same author

AI-driven volumetric approach for automatic chemotherapy response assessment in colorectal liver metastases.

European radiology·2026
Same author

Rare earth element abundances and gadolinium contamination in tap water worldwide.

Chemosphere·2025
Same author

Bias, accuracy, and trust: no GenAI in peer reviewing.

Journal of neuroradiology = Journal de neuroradiologie·2025
Same author

Exploring learning transferability in deep segmentation of colorectal cancer liver metastases.

Computers in biology and medicine·2025
Same author

Unveiling rare earth elements in beers:evidence for gadolinium contamination.

Food chemistry·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

医疗图像细分中的跨维转移学习与深度学习.

Hicham Messaoudi1, Ahror Belaid2, Douraied Ben Salem3

  • 1Laboratory of Medical Informatics (LIMED), Faculty of Technology, University of Bejaia, 06000 Bejaia, Algeria.

Medical image analysis
|June 29, 2023
PubMed
概括

本研究提出了一种新的医疗图像细分方法,通过从二维自然图像网络转移知识. 这种方法显著提高了对各种医学成像模式的细分精度.

关键词:
卷积神经网络是一种卷积神经网络.跨维的转移跨维的转移.医疗图像细分 医疗图像细分转移学习转移学习

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

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

8.9K

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

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

8.9K

科学领域:

  • 计算机视觉 计算机视觉
  • 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:

  • 卷积神经网络 (CNN) 在自然图像分析方面表现出色,但由于有限的注释数据和采集约束,在医学成像方面面临挑战.
  • 医学成像数据通常涉及高维度,对现有的2D细分模型构成挑战.
  • 医疗图像细分的最先进性能受到数据稀缺和内在成像复杂性的阻碍.

研究的目的:

  • 开发一种有效的方法,将知识从二维自然图像分类网络转移到二维和三维医疗图像细分任务.
  • 引入新型网络架构,利用预训练的2D编码器,并促进维度扩展以实现增强的细分.
  • 在各种医学成像数据集和基准挑战上验证拟议的方法.

主要方法:

  • 设计了新的U-Net架构,其中包含一个用于重量转移的2D预训练编码器.
  • 开发了一种维度转移方法,以将二维细分网络扩展到更高的维度.
  • 在多模式数据集上测试网络,包括来自CAMUS,CHAOS和BraTS等挑战的MRI,CT和超声波图像.

主要成果:

  • 在CAMUS挑战中获得了对心声回声数据细分的最新结果.
  • 在腹部CT和MRI细分的CHAOS挑战中表现优于其他基于2D的方法.
  • 在使用3D网络进行脑瘤细分的BRATS 2022竞赛中获得了高的子分数.

结论:

  • 拟议的重量和维度转移方法有效地适应2D CNNs,用于准确的多维医学图像细分.
  • 该方法在各种医学成像模式和任务中显示出细分精度的显著改进.
  • 这项工作提供了一个有希望的解决方案,以克服医疗图像分析中的数据限制,提高诊断能力.