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

Recognition of PRI modulation using an optimized convolutional neural network with a gray wolf optimization based on internet protocol and optimal extreme learning machine.

Scientific reports·2025
Same author

Enhanced PRIM recognition using PRI sound and deep learning techniques.

PloS one·2024
查看所有相关文章

相关实验视频

Updated: Jun 1, 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

使用学习自动机模型进行卷积神经网络 (CNN) 配置,用于新生儿大脑图像细分的学习自动机模型.

Iran Sarafraz1, Hamed Agahi1, Azar Mahmoodzadeh1

  • 1Department of Electrical Engineering, Shiraz Branch, Islamic Azad University, Shiraz, Iran.

PloS one
|January 17, 2025
PubMed
概括

本研究介绍了一种适应性方法,用于配置卷积神经网络 (CNN),用于新生儿大脑图像细分. 该方法优化了使用强化学习的CNN,提高了婴儿MRI扫描的细分精度.

科学领域:

  • 医疗成像医学成像
  • 人工智能的人工智能
  • 神经科学是一个神经科学.

背景情况:

  • 卷积神经网络 (CNN) 对于大脑图像分割是有效的,但由于发育差异,新生儿大脑图像需要特定的适应.
  • 最佳的CNN架构和参数对于准确的新生儿大脑图像细分至关重要.

研究的目的:

  • 为新生儿大脑图像细分量身定制的自动CNN配置提供一种自适应方法.
  • 优化CNN的超参数,包括过尺寸和聚合功能,使用强化学习和前 (LA) 模型.

主要方法:

  • 采用了一个编码解码器CNN结构.
  • 使用强化学习和LA模型来确定最佳的超参数 (过器大小,长度,宽度,聚合类型).
  • 用DICE和平均对称表面距离 (ASD) 度量来评估细分质量.

主要成果:

  • 拟议的自适应方法成功配置了CNN用于新生儿大脑图像细分.
  • 与以前的方法相比,优化的CNN在细分新生儿大脑图像 (NBI) 中实现了更高的质量和准确性.
  • 在婴儿MRI数据库上的评估表明了该方法的有效性.

结论:

更多相关视频

Deep Learning-Based Segmentation of Cryo-Electron Tomograms
10:25

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

8.5K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

366

相关实验视频

Last Updated: Jun 1, 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
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
10:25

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

8.5K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

366
  • 适应性CNN配置方法显著提高了新生儿大脑图像细分的准确性和质量.
  • 这种方法为优化专业医学成像应用中的深度学习模型提供了一个强大的框架.
  • 这些发现表明,通过先进的人工智能技术,改善婴儿大脑发育的自动化分析是一个有希望的方向.