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

Advanced cystic lung cancer complicated with pulmonary lymphangitic carcinomatosis: a case report.

Journal of cardiothoracic surgery·2026
Same author

Segmentation of kidney mass using AgDenseU-Net 2.5D model.

Computers in biology and medicine·2023
Same author

2.5D MFFAU-Net: a convolutional neural network for kidney segmentation.

BMC medical informatics and decision making·2023
Same author

Tumor priming using metronomic chemotherapy with neovasculature-targeted, nanoparticulate paclitaxel.

Biomaterials·2016
Same author

Caspofungin exposure-response relationships in adult patients with mucosal or invasive candidiasis.

Clinical pharmacology in drug development·2016
Same author

Biosynthesis of Conjugate Vaccines Using an O-Linked Glycosylation System.

mBio·2016

相关实验视频

Updated: Jul 16, 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

MTAN:用于瘤细分的半监督学习模型.

Peng Sun1, Sijing Yang2, Haolin Guan1

  • 1School of Electronic Engineering and Automation Guilin University of Electronic Technology, Guilin, Guangxi, China.

Journal of X-ray science and technology
|September 18, 2023
PubMed
概括

本研究介绍了平均教师注意力N-Net (MTAN),这是一个半监督模型,用于准确的医疗图像细分. MTAN有效地使用有限的标记和丰富的未标记CT数据来细分脏,瘤和囊,减少过度拟合.

关键词:
一个AN-Net的网络.我们的Kits就是Kits.在这种情况下,MTAN和MTAN是不一样的.医疗图像细分 医疗图像细分瘤细分 瘤细分 瘤细分半监督学习 半监督学习

更多相关视频

Supervised Machine Learning for Semi-Quantification of Extracellular DNA in Glomerulonephritis
09:16

Supervised Machine Learning for Semi-Quantification of Extracellular DNA in Glomerulonephritis

Published on: June 18, 2020

6.9K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

440

相关实验视频

Last Updated: Jul 16, 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
Supervised Machine Learning for Semi-Quantification of Extracellular DNA in Glomerulonephritis
09:16

Supervised Machine Learning for Semi-Quantification of Extracellular DNA in Glomerulonephritis

Published on: June 18, 2020

6.9K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

440

科学领域:

  • 医疗成像医学成像
  • 人工智能的人工智能
  • 计算机视觉 计算机视觉

背景情况:

  • 医学图像细分对于疾病诊断和治疗计划至关重要.
  • 深度学习 (DL) 模型看起来很有前途,但需要广泛的标记数据和参数调整.
  • 创建大型标记的医疗数据集是劳动密集型和耗时的.

研究的目的:

  • 开发一种半监督模型,用于CT图像中精确细分脏,瘤和囊.
  • 利用标记和未标记的数据来克服标记样本稀缺的局限性.
  • 为了提高医疗图像细分的效率和准确性.

主要方法:

  • 设计了一个端到端的半监督学习模型,即平均教师注意力N-Net (MTAN).
  • MTAN使用AN-Net架构作为教师和学生模型.
  • 教师模型指导学生模型使用未标记的数据来提高学习质量并减少过度匹配.

主要成果:

  • 在KiTS19数据集上,MTAN实现了高细分精度 (子分数:脏0.975,瘤0.869).
  • 在KiTS21数据集上,MTAN表现强 (子分数:脏0.977,质量0.886,瘤0.861,囊0.759).
  • 该模型有效地利用了未标记的数据,减轻了过度拟合和提高了细分质量.

结论:

  • MTAN模型为医疗图像细分提供了强大的解决方案,特别是在有限的标记数据的情况下.
  • 它的半监督方法有效地利用未标记的数据,提高细分精度并减少过度拟合.
  • 跨数据集的一致性能凸显了MTAN在潜在临床应用中的可靠性.