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

Search research articles

相关实验视频

Updated: May 5, 2026

Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application

Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application

Published on: April 14, 2023

肺部疾病检测使用U-Net特征提取器由图形卷积网络级联.

Pshtiwan Qader Rashid¹, İlker Türker¹

¹Department of Computer Engineering, Karabuk University, 78050 Karabuk, Turkey.

Diagnostics (Basel, Switzerland)

|June 27, 2024

概括

这项研究引入了一种新的特征提取图形卷积网络 (FGCN),用于从CT扫描中诊断肺部疾病. 通过捕捉空间连接,FGCN模型显著提高了准确性,超过了传统的深度学习方法.

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

Connectogram-COH: A Coherence-Based Time-Graph Representation for EEG-Based Alzheimer's Disease Detection.

Diagnostics (Basel, Switzerland)·2025

查看所有相关文章

科学领域:

医疗成像医学成像
人工智能的人工智能
图形神经网络图形神经网络

背景情况:

计算机断层扫描 (CT) 扫描对于快速肺部疾病诊断至关重要.
现有的深度学习方法经常忽视CT图像分析中的空间连接性.

研究的目的:

使用图形卷积网络 (GCNs) 开发一种准确的COVID-19诊断方法.
通过结合空间连接模式来增强CT扫描中的特征提取.

主要方法:

使用U-Net进行图像细分和特征提取.
采用GCN来捕捉从提取的深层特征中的空间连接性,形成一个相邻矩阵.
集成原始图像图,最大的内核图和特征提取图用于输入GCN.
应用了一个脱落层,以减轻过.

主要成果:

拟议的特征提取图形卷积网络 (FGCN) 在肺部疾病识别方面表现出卓越的性能.
FGCN的表现优于现有的深度学习架构,而不是基于图形表示.
该模型还超越了医疗诊断中常用的转移学习模型.

结论:

图形表示比医学图像分析的传统方法具有显著的优势.
FGCN框架提供了一个强大的工具,用于通过CT扫描准确有效地诊断肺部疾病.

关键词:

在 COVID-19 疫情中,深度学习是一种深度学习.图表卷积网络卷积网络图表代表学习学习的图表.肺部疾病检测肺部疾病检测

相关实验视频

Last Updated: May 5, 2026

Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application

Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application

Published on: April 14, 2023