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

A Multi-Center Integrative Cohort Characterizing the Genetic, Clinical, and Transcriptomic Features of ACP5 Deficiency.

Arthritis & rheumatology (Hoboken, N.J.)·2026
Same author

Flexible bioelectronic sensors promote the advancement of wearable ultrasound technology in the medicine.

Microsystems & nanoengineering·2026
Same author

Reply.

Arthritis & rheumatology (Hoboken, N.J.)·2026
Same author

IRAK2 deficiency causes immune dysregulation through defective Myddosome assembly and enhanced interferon responses.

Nature communications·2026
Same author

Fibrinogen promotes acute myelogenous leukemia progression <i>via</i> miR-486/<i>GPR153</i> axis.

Haematologica·2026
Same author

Spatial Dosimetric-Based Prediction of Long-Term Urinary Toxicity After Permanent Prostate Brachytherapy.

Cancers·2026

相关实验视频

Updated: May 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

2.6K

没有源代码的域名转移算法,具有医疗图像细分的减少风格灵敏度.

Jian Lin1, Xiaomin Yu2, Zhengxian Wang2

  • 1Sichuan Academy of Medical Science and Sichuan Provincial People's Hospital, Chengdu, China.

PloS one
|December 27, 2024
PubMed
概括

本研究引入了一种新的无源域转移算法 (SFDT-RSS) 用于医疗图像细分. 它通过降低风格敏感性和增强概括性而显著提高准确性,而不需要源数据.

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:

  • 用于医疗图像细分的无监督转移学习面临着由于无法访问源域数据的错误传播的挑战.
  • 现有的算法在没有直接访问原始训练数据的情况下,难以在不同的医学成像风格和数据集中进行概括.

研究的目的:

  • 开发一种新的无源域转移算法 (SFDT-RSS),可以最大限度地降低风格敏感性,并增强医疗图像细分的概括性.
  • 将预先训练的模型适应新的目标域,而不需要访问源域数据,解决当前方法的一个关键局限性.

主要方法:

  • SFDT-RSS采用了初始源域模型预培训的概括策略.
  • 它采用了互补风格传输 (ISS) 策略,并使用了变压器架构进行自我训练,以减少风格敏感性和改善概括性.
  • 在域移动阶段使用无模型自适应信心调节 (ACR) 损失来微调源模型.

主要成果:

  • 拟议的SFDT-RSS算法在五个公共数据集中显示了对无监督的跨域器官细分的细分精度的显著改进.
  • 与现有的无监督域名转移算法相比,具体准确度的改进在2.64%至3.32%之间.
  • 该方法有效地提高了概括能力,并减少了对特定图像风格的依赖.

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

318
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: May 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

2.6K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

318
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

结论:

  • 通过有效解决风格敏感性和数据可访问性问题,SFDT-RSS为无监督的跨域医疗图像细分提供了强大的解决方案.
  • 该算法的性能突显了医疗成像应用中无源域转移方法的潜力.
  • ISS和ACR损失的组合有助于提高细分精度和模型通用性.