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

Generalized description of spectral incoherent solitons.

Optics letters·2014
Same author

Selenium-enriched Spirulina protects INS-1E pancreatic beta cells from human islet amyloid polypeptide-induced apoptosis through suppression of ROS-mediated mitochondrial dysfunction and PI3/AKT pathway.

European journal of nutrition·2014
Same author

Antitumor platinum(II) complexes of N-monoalkyl 1R,2R-diamino-cyclohexanes with 3-(nitrooxy)cyclobutane-1,1-dicarboxylate as a leaving group.

European journal of medicinal chemistry·2014
Same author

Unfolded protein response is required for the definitive endodermal specification of mouse embryonic stem cells via Smad2 and β-catenin signaling.

The Journal of biological chemistry·2014
Same author

Effects of Traditional Chinese Medicinal Plants on Anti-insulin Resistance Bioactivity of DXMS-Induced Insulin Resistant HepG2 Cells.

Natural products and bioprospecting·2014
Same author

Long noncoding RNA expression profiles of lung adenocarcinoma ascertained by microarray analysis.

PloS one·2014

相关实验视频

Updated: Jun 18, 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

2.7K

自主监督的医疗图像细分使用深度增强的自适应掩护.

Zhenghua Xu, Yunxin Liu, Gang Xu

    IEEE transactions on medical imaging
    |August 1, 2024
    PubMed
    概括

    本研究介绍了自适应硬掩盖 (AHM),这是一种新的深度强化学习方法,用于改善医疗成像的掩盖图像建模 (MIM). 艾哈迈德增强了从未标记的医疗数据中进行表示学习,超过了现有的技术.

    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 (SSL) 旨在从未标记的数据中提取可转移的表示.
    • 蒙面图像建模 (MIM),灵感来自于NLP,显示在计算机视觉有希望,但由于高冗余和小的区分区域,医疗图像扎.
    • 现有的MIM方法经常使用预定义的随机面具,这可能不适合医疗数据的独特特征.

    研究的目的:

    • 提出一种自适应硬掩盖 (AHM) 方法,以提高MIM在医学图像分析中的有效性.
    • 利用深度强化学习智能地选择信息区域进行掩盖,改进表示学习.
    • 用医疗图像表示来提高下游任务的性能.

    主要方法:

    • 开发了一种使用深度强化学习的自适应硬掩盖 (AHM) 策略.
    • 采用异步优势演员-关键 (A3C) 模型来预测补丁智能的重建损失,指导掩盖过程.
    • 通过强化学习优化了面具的非可区分采样,以专注于关键图像区域.

    主要成果:

    • 与最先进的方法相比,AHM在两个医疗图像数据集上表现出卓越的性能.
    • 该方法有效地识别和利用了有价值的掩盖区域,提高了对医学图像中关键区域的理解.

    更多相关视频

    Author Spotlight: Segmentation and VR for Advanced Neurovascular Interventions
    06:18

    Author Spotlight: Segmentation and VR for Advanced Neurovascular Interventions

    Published on: April 5, 2024

    1.0K
    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
    04:48

    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

    Published on: July 5, 2024

    381

    相关实验视频

    Last Updated: Jun 18, 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

    2.7K
    Author Spotlight: Segmentation and VR for Advanced Neurovascular Interventions
    06:18

    Author Spotlight: Segmentation and VR for Advanced Neurovascular Interventions

    Published on: April 5, 2024

    1.0K
    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
    04:48

    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

    Published on: July 5, 2024

    381
  • 进一步的实验证实了AHM在生成信息化医疗面具图像方面的稳定性和有效性.

    • 结论:

    • 适应式硬掩盖 (AHM) 显著推进了在医疗领域的掩盖图像建模 (MIM) 的应用.
    • 提出的基于强化学习的掩盖策略提高了从未标记的医疗图像中学习到的表示的质量.
    • 在医学图像分析中,AHM为改善自我监督的表示学习提供了一个有希望的方向.