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

Amplatzer Plug Embolization for Iatrogenic Aortic Arch Catheterization: A Rescue Technique.

Cardiovascular and interventional radiology·2026
Same author

Differentiating Hemorrhage and Contrast Extravasation After Mechanical Thrombectomy Using Virtual Non-Contrast Photon-Counting CT.

Clinical neuroradiology·2026
Same author

Bone Mineral Density Does Not Predict Overall Survival in Patients with Advanced Hepatocellular Carcinoma: A Subanalysis of the SORAMIC Trial.

Digestive diseases (Basel, Switzerland)·2026
Same author

Real-time marker-less needle tracking for CT-guided interventions using multiple RGB cameras.

International journal of computer assisted radiology and surgery·2026
Same author

Detection rate and mutational landscape in extracranial arteriovenous malformations: a cohort study.

BMC medicine·2026
Same author

Correlation Between Molecular Genetic Analysis and Nuclear Pleomorphism in Long-Term Recurrent and Metastatic Chordoma.

Cancers·2026

相关实验视频

Updated: Jul 8, 2025

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

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

8.8K

CT图像的多类组织细分使用集体深度学习方法.

Naghmeh Mahmoodian, Sumit Chakrabarty, Marilena Georgiades

    Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
    |December 12, 2023
    PubMed
    概括

    这项研究引入了一种新的AI方法,使用多个U-Net模型在微波除疗法期间CT扫描中精确细分肺瘤,即使使用有限的数据来减少复发,也可以提高准确性.

    科学领域:

    • 医疗成像医学成像
    • 人工智能的人工智能
    • 在瘤学瘤学.

    背景情况:

    • 微波除 (MWA) 疗法使用CT图像来破坏肺瘤.
    • 由于不充分的切除而导致瘤复发,需要精确确定瘤区域.
    • 目前的深度学习细分方法需要大量的数据集,这对MWA疗法构成了挑战.

    研究的目的:

    • 开发一个语义细分方法,用于在MWA治疗期间在CT图像中准确的器官和瘤细分.
    • 克服MWA瘤细分的深度学习中小数据集的局限性.
    • 通过准确识别瘤边界,提高肺癌治疗的精度.

    主要方法:

    • 开发了四个基于U-Net的语义细分模型.
    • 来自多个模型的结合输出,以提高细分精度.
    • 通过选择最终细分的最高权重值,利用共识方法.
    • 使用交叉与联盟 (IoU) 进行背景,肺部,切除和瘤组织的评估性能.

    主要成果:

    • 获得高平均IOU分数:0.99 (背景),0.98 (肺),0.77 (消去) 和0.54 (瘤).
    • 与单个模型相比,多模型方法的表现优越,特别是在小数据集的情况下.

    更多相关视频

    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

    406

    相关实验视频

    Last Updated: Jul 8, 2025

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

    Deep Learning-Based Segmentation of Cryo-Electron Tomograms

    Published on: November 11, 2022

    8.8K
    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

    406
  • 在CT医学图像中成功细分肺部,肺瘤和切除的组织.

    • 结论:

    • 拟议的多模型深度学习方法提高了MWA治疗的语义细分精度.
    • 这种方法即使在医学成像数据有限的情况下也有效,解决了临床实践中的一个关键挑战.
    • 改进的人工智能驱动的细分可以帮助临床医生评估完全的瘤破坏,可能降低复发率.