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

Comprehensive Performance Testing and External Validation of an AI Algorithm to Detect and Segment Brain Metastases.

Neuro-oncology·2026
Same author

A Continuous Severity Index for Keratoconus Diagnosis Based on Kolmogorov-Arnold Networks in a Chinese Population.

Ophthalmology science·2026
Same author

Prospective analysis of long-term trajectories of functional scores before and after a diagnosis of stroke.

Communications medicine·2026
Same author

Limits of Artificial Intelligence Models for Skin Cancer Diagnosis in Realistic Settings.

JAMA dermatology·2026
Same author

Mind the gap: challenges and future directions for content-based image retrieval in clinical radiology.

Frontiers in radiology·2026
Same author

Enhancing Drug Response Prediction in Epilepsy with Emerging Multimodal Models: Focus on Clinical, Pharmacologic, and Genomic Factors.

CNS drugs·2026

相关实验视频

Updated: Jul 6, 2025

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

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

405

甘达尔夫:基于图形的变压器和数据增强主动学习框架,具有可解释的功能,用于多标签的胸部X射线分类.

Dwarikanath Mahapatra1, Behzad Bozorgtabar2, Zongyuan Ge3

  • 1Inception Institute of AI, Abu Dhabi, United Arab Emirates; Faculty of IT, Monash University, Melbourne, Australia.

Medical image analysis
|January 10, 2024
PubMed
概括
此摘要是机器生成的。

本研究介绍了GANDALF,这是一个新的主动学习 (AL) 框架,它结合了基于图形的变压器和数据增强,用于多标签的医学图像分析. 甘达尔夫通过智能选择信息数据和生成多样化,非冗余的增强样本,以更少的标记样本提高诊断模型性能.

关键词:
积极学习是指积极学习.数据增强数据增强提供信息的样本.多个标签的多个标签.

更多相关视频

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

1.9K
Multi-modal Pulmonary Imaging: Using Complementary Information from CT and Hyperpolarized 129Xe MRI to Evaluate Lung Structure-Function
02:09

Multi-modal Pulmonary Imaging: Using Complementary Information from CT and Hyperpolarized 129Xe MRI to Evaluate Lung Structure-Function

Published on: April 12, 2024

612

相关实验视频

Last Updated: Jul 6, 2025

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

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

405
A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

1.9K
Multi-modal Pulmonary Imaging: Using Complementary Information from CT and Hyperpolarized 129Xe MRI to Evaluate Lung Structure-Function
02:09

Multi-modal Pulmonary Imaging: Using Complementary Information from CT and Hyperpolarized 129Xe MRI to Evaluate Lung Structure-Function

Published on: April 12, 2024

612

科学领域:

  • 机器学习 机器学习
  • 医疗成像医学成像
  • 计算机辅助诊断 计算机辅助诊断

背景情况:

  • 积极学习 (AL) 通过选择信息样本来训练机器学习模型来降低注释成本.
  • 数据增强进一步扩展数据集在低数据场景.
  • 结合这些技术是提高AL系统性能的直观方法.

研究的目的:

  • 提出GANDALF (基于图形的转换器和数据增强主动学习框架),这是多标签主动学习的新方法.
  • 解决传统AL方法在多标签环境中的局限性,特别是在样本可以有多个疾病标签的医疗图像中.
  • 提高计算机辅助诊断系统的性能,学习率和稳定性.

主要方法:

  • 将疾病标签表示为图节点,并使用图注意力转换器 (GAT) 来学习标签间的关系.
  • 通过汇总GAT表示来识别信息样本.
  • 从学习的潜伏空间生成增强样本,并使用一种新的多标签信息性得分来选择信息性样本,以确保无冗余性和培训贡献.

主要成果:

  • 在胸部X射线和MedMNIST数据集上,GANDALF表现出比最先进的多标签AL技术更好的性能.
  • 该方法显示了增强的学习率和诊断任务的稳定性.
  • 新的信息度得分有效地识别了有价值的增强样本.

结论:

  • 甘达尔夫有效地将信息样本选择和数据增强集成到多标签AL框架中.
  • 该方法显著提高了计算机辅助诊断系统的性能,使用有限的标记数据.
  • 甘达尔夫为医学图像分析中的多标签学习提供了强大的解决方案.