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

相关实验视频

Updated: Jun 10, 2025

Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

9.0K

深度卷积脊柱比较用于自动化PET图像质量评估

Jessica B Hopson1, Anthime Flaus2, Colm J McGinnity2

  • 1Department of Biomedical Engineering, King's College London.

IEEE transactions on radiation and plasma medical sciences
|October 15, 2024
PubMed
概括

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

Diagnostic Value of Spinal Cord Lesion Metabolism on [<sup>18</sup>F]FDG PET/CT for the Classification of Myelopathy.

European journal of neurology·2026
Same author

Diffusion MRI of the Body: Beyond PGSE-EPI.

Journal of magnetic resonance imaging : JMRI·2026
Same author

Combined ADC and T<sub>2</sub> Mapping in the Prostate Using a 3D Reduced FOV Sequence.

Magnetic resonance in medicine·2026
Same author

Does a monoclonal antibody targeting immune cells affect glutamatergic level in schizophrenia? A multimodal PET/MRS brain imaging study.

Neuropsychopharmacology : official publication of the American College of Neuropsychopharmacology·2026
Same author

[<sup>177</sup>Lu]Lu-edotreotide versus everolimus for gastroenteropancreatic neuroendocrine tumours (COMPETE): a phase 3, multicentre, randomised, open-label, superiority trial.

Lancet (London, England)·2026
Same author

Is there already value in "Total Body PET" imaging in Neurology?

The British journal of radiology·2026

在自然图像上预训练的深度学习模型可以评估FDG大脑PET图像质量. 解更多的网络层提高了性能,剩余单元网络在自动化PET质量评估中显示出最佳结果.

科学领域:

  • 医疗成像医学成像
  • 人工智能的人工智能
  • 放射学 放射学是一门学科.

背景情况:

  • 对自然图像进行深层卷积网络的预训练有助于医疗成像任务,因为注释数据有限.
  • 许多2D预训练的骨干网络存在,但它们适用于医疗图像分析的适用性各不相同.

研究的目的:

  • 为了比较18个不同的预训练的骨干网络来评估[18F]FDG脑PET图像质量.
  • 评估网络过度参数化对自动化PET图像质量评估的影响.

主要方法:

  • 测试了来自5个架构组的18个 ImageNet 预训练的骨干.
  • 网络被训练来预测临床图像质量指标 (全球评级,模式识别,诊断信心) 在不同的模拟PET剂量.
  • 最初的培训只涉及最后一层;随后的培训解了最后40%的网络重量.

主要成果:

  • 仅训练最后一个层就产生了~0.5.5的平均绝对误差.
  • 解网络层降低了18个骨干中的14个骨干的平均绝对误差低于0.5.
  • 剩余单元 (DenseNets,ResNetV2s) 的网络通常实现了最小的误差 (~0.45-0.5).

结论:

关键词:
卷积神经网络是一种卷积神经网络.深度学习是一种深度学习.图像质量 图像质量图像重建 图像重建转移学习转移学习

更多相关视频

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

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

376
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

1.8K

相关实验视频

Last Updated: Jun 10, 2025

Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

9.0K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

376
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

1.8K
  • 使用预训练的深度学习模型,可以自动评估[18F]FDG大脑PET图像质量.
  • 过度参数化,通过解更多的网络层,可以提高这项任务的性能.
  • 剩余网络架构显示出强大的 PET 图像质量评估潜力.