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

[Study on effect of coptidis rhizoma on red blood cells of normal mice and its antioxidant property].

Zhongguo Zhong yao za zhi = Zhongguo zhongyao zazhi = China journal of Chinese materia medica·2013
Same author

General framework to histogram-shifting-based reversible data hiding.

IEEE transactions on image processing : a publication of the IEEE Signal Processing Society·2013
Same author

The prevalences of Neisseria gonorrhoeae and Chlamydia trachomatis infections among female sex workers in China.

BMC public health·2013
Same author

[Study on allocation rules of common nutrients in Scutellaria baicalensis in different phenological periods by ICP-OES].

Guang pu xue yu guang pu fen xi = Guang pu·2013
Same author

Sesterterpenoids.

Natural product reports·2013
Same author

14-3-3 sigma is a useful immunohistochemical marker for diagnosing ovarian granulosa cell tumors and steroid cell tumors.

International journal of gynecological pathology : official journal of the International Society of Gynecological Pathologists·2013

相关实验视频

Updated: Jul 11, 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

快速调整用于参数高效的医疗图像细分.

Marc Fischer1, Alexander Bartler1, Bin Yang1

  • 1Institute of Signal Processing and System Theory, University of Stuttgart, 70550 Stuttgart, Germany.

Medical image analysis
|November 17, 2023
PubMed
概括
此摘要是机器生成的。

这项研究引入了一个可快速调整的UNETR (PUNETR) 以实现高效的医疗图像细分,显著减少了使用可学习的快速令牌完全微调和参数有效调整之间的性能差距.

关键词:
快速调整调整的提示专注于自己的注意力自我监督 自我监督语义细分 语义细分是指语义细分.半监督 半监督 半监督 半监督 半监督变压器变压器变压器

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

409
Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images
06:48

Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images

Published on: January 7, 2019

8.9K

相关实验视频

Last Updated: Jul 11, 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

409
Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images
06:48

Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images

Published on: January 7, 2019

8.9K

科学领域:

  • 医疗成像医学成像
  • 计算机视觉 计算机视觉
  • 机器学习 机器学习

背景情况:

  • 自主监督学习是数据丰富,注释稀缺环境的标准.
  • 对参数高效的微调对于调整预训练模型以适应语义细分等新任务至关重要.
  • 在语义细分中适应新类的模型需要有效但高效的方法.

研究的目的:

  • 开发一个参数效率高但有效的适应方法,用于医学成像中的语义细分.
  • 引入一个能够提示的UNETR (PUNETR) 架构,可通过类依赖的可学习的提示令牌进行适应.
  • 研究CT成像数据集上的语义细分的提示调整的有效性.

主要方法:

  • 提出了一个具有提示能力的UNETR (PUNETR) 架构,具有结的预训练骨干.
  • 雇佣了依赖类别的可学习的提示令牌,用于网络适应.
  • 使用密集的自我监督方案 (对比原型分配,CPA) 与学生-教师模型进行预培训.
  • 在预培训期间,为类的子集增加了额外的细分损失.

主要成果:

  • PUNETR显著减少了完全微调和参数效率模型之间的性能差距.
  • 获得的平均子相似系数 (DSC) 差异为7.81pp (TCIA/BTCV) 和5.37-6.57pp (总分段子集).
  • 通过仅调整提示令牌 (0.51%的骨干参数) 来实现参数效率.

结论:

  • 快速调整为医学语义细分提供了一个高参数效率的适应策略.
  • PUNETR有效地适应预训练模型,与完整微调相比,最大限度地降低了性能损失.
  • 拟议的方法在CT成像数据集上表现出强的性能,参数更新最小.