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

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

Secondary peripheral T-cell lymphoma in a patient with DLBCL harboring <i>BLM</i> mutation following CD19/CD22 bispecific CAR-T cell therapy.

Journal for immunotherapy of cancer·2026

Same author

Immune-Mediated IgA Nephropathy Induced by PD-1 Blockade in Extranodal NK/T-Cell Lymphoma.

International medical case reports journal·2026

Same author

Behavioural plasticity in <i>Caenorhabditis elegans</i> navigating dynamic granular environments.

bioRxiv : the preprint server for biology·2026

Same author

Association of baseline immune cell composition with CAR-T cell expansion and survival in Relapsed/Refractory large B-Cell lymphoma.

Journal of translational medicine·2026

Same author

Clinical features, central nervous system risk, and therapeutic outcomes in primary sinonasal diffuse large B-cell lymphoma: a retrospective cohort study of 94 patients.

Translational cancer research·2026

Same author

Bioenergetic-active hybrid nanovesicles empower tumor associated macrophages phagocytosis for cancer immunotherapy.

Materials today. Bio·2026

Search research articles

相关实验视频

Updated: Jun 13, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

通过将MultiEncoder UNet与波波融合相结合来对脑瘤进行细分.

Yuheng Pan¹, Haohan Yong¹, Weijia Lu¹

¹Computer and Information Engineering Department, Tianjin Chengjian University, Tianjin, China.

Journal of applied clinical medical physics

|September 16, 2024

概括

这项研究引入了一种新的深度学习网络,用于使用多式磁共振成像 (MRI) 准确的脑瘤细分. 晚期融合策略有效地捕捉了互补特征和远程依赖关系,改善了诊断潜力.

科学领域:

医学成像分析分析医学成像分析
医疗保健中的人工智能
神经瘤学神经瘤学

背景情况:

通过多式核磁共振 (MRI) 精确地对脑瘤进行细分,对于临床诊断和手术规划至关重要.
目前的深度学习方法经常使用早期融合,这可能会忽略MRI模式之间的互补信息,并限制性能.
卷积运算的局部性质阻碍了捕捉长距离的声素关系.

研究的目的:

开发一种新的多式联网细分网络,以改善脑瘤检测.
通过采用晚期核聚变方法来解决早期核聚变战略的局限性.
为了增强在脑瘤中捕捉互补的模式间特征和远程空间依赖性的能力.

主要方法:

提出了一种多模式细分网络,利用晚期融合策略,为不同的MRI模式提供专门的编码器.
整合了一个功能融合模块,采用3D离散波量变换来提取互补的模式间功能.
引入了一个3D全球上下文感知模块,以在高特征级别上捕捉瘤voxel之间的远程依赖关系.

主要成果:

拟议的模型在BraTS2018和BraTS2021数据集上展示了与最先进的方法相比的竞争性性能.
实验结果验证了晚期核聚变战略和全球上下文意识模块的有效性.

关键词:

3D离散波形变压器 3D离散波形变压器大脑瘤的细分脑瘤的细分多个编码器多个编码器.

更多相关视频

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

相关实验视频

Last Updated: Jun 13, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

结论:

开发的方法为深度神经网络中的多式融合提供了一个新的概念,用于大脑瘤细分.
该网络实现了更准确和有前途的细分结果,显示了帮助医生诊断的潜力.
这种方法增强了对互补信息和远程依赖关系的利用,以获得更优异的细分结果.