Search research articles

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 Journal Methods Collections JoVE Encyclopedia of Experiments 存档

教育

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual 教师资源中心教师网站

使用条款与条件

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

Prognostic value of the NAPLES score in patients undergoing LVAD implantation: comparison with established nutritional indices.

BMC cardiovascular disorders·2026

Same author

REN: Anatomically-Informed Mixture-of-Experts for Interstitial Lung Disease Diagnosis.

IEEE transactions on medical imaging·2026

Same author

Multimodal AI for early prediction of adverse clinical outcomes in acute pancreatitis.

Abdominal radiology (New York)·2026

Same author

A Predictive MRI Radiomics Model for Histologic Differentiation in Soft Tissue Sarcomas.

Cancers·2026

Same author

Diverse image generation with diffusion models and cross class label learning for polyp classification.

Scientific reports·2026

Same author

Evaluating the Predictive Value of Post-Treatment Superb Microvascular Imaging for Complete Response to Neoadjuvant Chemotherapy in Invasive Breast Cancer.

Bioengineering (Basel, Switzerland)·2026

Search research articles

相关实验视频

Updated: Jul 14, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

为基于深度学习的医疗图像细分选择最佳优化器.

Aliasghar Mortazi¹, Vedat Cicek², Elif Keles³

¹Department of Computer Vision and Image Analytic, Volastra Therapeutics, New York, NY, United States.

Frontiers in radiology

|October 9, 2023

概括

这项研究引入了一种新的循环优化方法,用于基于深度学习的医学图像细分. 拟议的方法提高了准确性和效率,在心脏图像细分任务中超过了现有的优化器.

关键词:

加速优化加速优化适应性优化适应性优化循环学习是一种循环学习.深度学习优化优化细分化细分化的细分化

更多相关视频

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

相关实验视频

Last Updated: Jul 14, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

科学领域:

深度学习是一种深度学习.
医疗图像分析医学图像分析
优化算法的优化算法

背景情况:

医疗图像细分的深度学习模型经常使用随机梯度下降 (SGD) 变体.
适应性学习和加速方案,包括动量优化器,是常见的培训策略.
了解学习率 (LR) 和动量率 (MR) 之间的相互作用对于优化网络性能至关重要.

研究的目的:

探索医疗图像细分的最佳深度学习优化器.
以有效的优化策略指导细分网络的设计.
研究适应式和加速式优化方法的综合效应.

主要方法:

提出了一种新的循环优化方法,将循环学习和动量率 (MR) 整合在一起.
该方法基于Nesterov加速梯度优化器.
通过使用 ACDC 挑战数据集和四个网络架构,评估了 MRI 和 CT 扫描对心脏图像细分的优化器.

主要成果:

与现有的优化器相比,拟议的循环优化器在子指标上实现了超过2%的改进.
在单个和多对象分割设置中都表现出卓越的性能.
在相似或较低的计算成本下获得更好的结果.

结论:

加速和自适应优化的组合显著影响了医疗图像细分性能.
拟议的循环学习/势头率策略提高了基于深度学习的医疗图像细分的效率和准确性.
与适应性优化器相比,新的策略提供了更好的概括性.