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

Seeing What's on the Plate: Composition-Aware Fine-Grained Food Recognition for Dietary Analysis.

Foods (Basel, Switzerland)·2026
Same author

An Improved Diffusion Model for Generating Images of a Single Category of Food on a Small Dataset.

Foods (Basel, Switzerland)·2026
Same author

Multiscale U-Net with Spatial Positional Attention for Retinal Vessel Segmentation.

Journal of healthcare engineering·2022
Same author

Genetic variants of p21 and p27 and hepatocellular cancer risk in a Chinese Han population: a case-control study.

International journal of cancer·2012
Same author

Inhibition of TGF-β/Smad signaling by BAMBI blocks differentiation of human mesenchymal stem cells to carcinoma-associated fibroblasts and abolishes their protumor effects.

Stem cells (Dayton, Ohio)·2012
Same author

MAIGO2 is involved in abscisic acid-mediated response to abiotic stresses and Golgi-to-ER retrograde transport.

Physiologia plantarum·2012

相关实验视频

Updated: Jun 14, 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

半监督CT图像细分通过基于约束的对比学习进行半监督CT图像细分.

Zhiyong Xiao1, Hao Sun1, Fei Liu2

  • 1School of Artificial Intelligence and Computer Science, Jiangnan University, Wuxi, 214122 Jiangsu China.

Biomedical engineering letters
|September 2, 2024
PubMed
概括

本研究引入了一种用于计算机断层扫描 (CT) 图像细分的新型半监督学习方法,通过受约束的对比学习有效利用未标记的数据来提高性能.

关键词:
计算机断层扫描图像图像.相反的学习学习.深度学习是一种深度学习.医疗图像细分 医疗图像细分半监督学习 半监督学习变压器变压器变压器

更多相关视频

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
14:08

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images

Published on: April 13, 2013

42.5K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

379

相关实验视频

Last Updated: Jun 14, 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
Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
14:08

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images

Published on: April 13, 2013

42.5K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

379

科学领域:

  • 医疗成像医学成像
  • 人工智能的人工智能
  • 计算机视觉 计算机视觉

背景情况:

  • 计算机断层扫描 (CT) 分段的深度学习方法需要大量的标记数据,这是昂贵的和耗时的.
  • 现有的半监督方法与不可靠的伪标签作斗争,可能会降低模型性能.

研究的目的:

  • 开发一种有效的半监督学习方法,用于CT图像分割,利用未标记的数据.
  • 通过解决标记数据稀缺的局限性,提高医疗图像细分的准确性和效率.

主要方法:

  • 一种新的半监督网络模型,集成卷积神经网络 (CNN) 和变压器,用于捕获本地和全球图像特征.
  • 实施受约束的对比学习损失,以有效地利用未标记的数据,同时丢弃不可靠的样本.
  • 在学生网络中包含剩余的挤压和激发模块,以增强特征表示.

主要成果:

  • 与最先进的半监督技术相比,拟议的方法在COVID-19CT数据集上表现出卓越的性能.
  • 在子相似系数 (DSC) 中实现了2.3%的改善,在雅卡德指数 (JC) 中实现了2.5%的改善.
  • 将豪斯多夫距离第95百分点 (HD95) 减少了1.9毫米,表明边界精度有所改善.

结论:

  • 开发的半监督方法通过将CNN和变压器架构与受约束的对比学习融合,有效地增强CT图像细分.
  • 这种方法显著提高了未标记的医疗图像的利用率,为完全监督的方法提供了更有效的替代方案.