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

CrossModalSync: joint temporal-spatial fusion for semantic scene segmentation in large-scale scenes.

Scientific reports·2025
Same author

Enhancing generalization of medical image segmentation via game theory-based domain selection.

Journal of biomedical informatics·2025
Same author

3D-DGGAN: A Data-Guided Generative Adversarial Network for High Fidelity in Medical Image Generation.

IEEE journal of biomedical and health informatics·2024
Same author

Volumetric Imitation Generative Adversarial Networks for Anatomical Human Body Modeling.

Bioengineering (Basel, Switzerland)·2024
Same author

Generalizable Polyp Segmentation via Randomized Global Illumination Augmentation.

IEEE journal of biomedical and health informatics·2024
Same author

Robust Medical Image Colorization with Spatial Mask-Guided Generative Adversarial Network.

Bioengineering (Basel, Switzerland)·2022

相关实验视频

Updated: Jun 8, 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

通过适应性光谱随机卷积来学习可概括的视觉表示,用于医学图像分割.

Zuyu Zhang1, Yan Li1, Byeong-Seok Shin1

  • 1Department of Electrical and Computer Engineering, Inha University, Incheon, 22212, South Korea.

Computers in biology and medicine
|November 4, 2024
PubMed
概括
此摘要是机器生成的。

本研究引入了一个自适应光谱随机卷积 (ASRConv) 模块,以增强医疗图像细分. ASRConv通过选择性随机化低频特征来提高模型的概括性,优于现有的方法.

关键词:
敌对的领域增强.域名通用化 域名通用化医疗图像细分 医疗图像细分随机卷积的随机卷积是一个问题.

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

369
Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images
06:48

Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images

Published on: January 7, 2019

8.8K

相关实验视频

Last Updated: Jun 8, 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
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

369
Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images
06:48

Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images

Published on: January 7, 2019

8.8K

科学领域:

  • 医疗图像分析 医疗图像分析
  • 计算机视觉 计算机视觉 计算机视觉
  • 机器学习 机器学习

背景情况:

  • 医疗图像细分模型在不同数据集的概括性方面扎,限制了临床应用.
  • 当前的随机卷积方法提高了概括性,但可以引入高频噪声,降低性能.
  • 现有的方法缺乏对特征频率随机化的精确控制.

研究的目的:

  • 开发一种新型模块,即自适应光谱随机卷积 (ASRConv),用于改善医学图像细分中的域概括.
  • 为了减轻传统随机卷积方法引入的高频噪声的负面影响.
  • 提高医疗图像细分的深度学习模型的稳定性和临床适用性.

主要方法:

  • 提出了一个自适应光谱随机卷积 (ASRConv) 模块,可以选择性地随机化低频特征.
  • 引入了一个动态重量生成模块,该模块以随机噪声为条件,用于自适应内核生成.
  • 采用对抗域增强策略来引导噪声抑制和改善功能多样性.

主要成果:

  • 在 ASRConv 中,子相似系数 (DSC) 的平均改善为 fundus 数据集的 3.07%,聚数据集的 1.18%.
  • 该方法与最先进的域泛化技术相比,表现一致.
  • 定性结果证实了该模型对域分布转移的稳定性.

结论:

  • 拟议的ASRConv模块有效地学习域不变表示,以便进行强大的医疗图像细分.
  • ASRConv提供了对特征频率的卓越控制,避免了有害的高频器件.
  • 这种方法显著提高了模型在临床环境中的通用性和性能.