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: May 5, 2026

A Multimodal Imaging Framework to Advance Phenotyping of Living Label-free Breast Cancer Cells
10:37

A Multimodal Imaging Framework to Advance Phenotyping of Living Label-free Breast Cancer Cells

Published on: August 22, 2025

1.4K

轻量级UNet:多模式深度学习与GAN增强成像数据,以有效检测乳腺癌.

Hari Mohan Rai1, Joon Yoo1, Saurabh Agarwal2

  • 1School of Computing, Gachon University, Seongnam 13120, Republic of Korea.

Bioengineering (Basel, Switzerland)
|January 24, 2025
PubMed
概括
此摘要是机器生成的。

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

Mycoproteins and Beyond: Biotechnological Advances in Filamentous Fungal Biomass.

Mini reviews in medicinal chemistry·2026
Same author

Post CAR-T Measurable Residual Disease Monitoring in Mantle Cell Lymphoma Enables Early Detection of Disease Relapse.

American journal of hematology·2026
Same author

Advanced security in fog environments using encryption and adaptive user activity tracking.

Scientific reports·2026
Same author

The future of diagnostics in Africa.

Nature medicine·2026
Same author

Clinical and Cytokine Features of Immune Effector Cell-Associated Hemophagocytic Lymphohistiocytosis-Like Syndrome.

Blood cancer discovery·2025
Same author

Anemia Mukt Bharat Index: Methodology and State Rankings of Iron and Folic Acid Supplementation Coverage in India, 2018-2019 to 2022-2023.

Global health, science and practice·2025

一个新的LightweightUNet深度学习模型以低计算成本提供了准确的乳腺癌检测. 结合乳房影像和超声波图像,以及GAN生成的数据,显著提高了性能,显示了临床潜力.

科学领域:

  • 人工智能的人工智能
  • 医疗成像医学成像
  • 在瘤学瘤学.

背景情况:

  • 乳腺癌是全球领先的癌症,需要早期,自动化和精确的检测方法.
  • 现有的用于乳腺癌检测的AI技术往往涉及高计算成本和复杂性.

研究的目的:

  • 引入创新的LightweightUNet混合深度学习 (DL) 分类器,用于准确的乳腺癌分类.
  • 开发一种具有低计算成本和适应能力的DL模型,以有效检测乳腺癌.

主要方法:

  • 采用多模式方法,使用来自七个不同来源的13,000张来自乳腺造影 (MGI) 和超声波成像 (USI) 的图像.
  • 数据预处理包括将大小改为256x256像素,并使用Box-Cox转换进行正常化.
  • 生成对抗网络 (GAN) 模型StyleGAN3被用于生成10,000个合成超声波图像,以增强较小的USI数据集. 实验是在使用5倍交叉验证的真实和真实+GAN增强数据集上进行的.

主要成果:

  • 轻量级UNet模型在没有增强的真实数据集上实现了86.87%的准确性.
  • 在真实+GAN增强数据集上,性能显著提高,达到96.35%的准确性.
  • 使用LightweightUNet的多式联络方法显示了显著的性能提升,包括准确度增加了9.48%.
关键词:
增加了GAN的增加.轻量级的UNet是一个轻量级的网络.乳腺癌检测 乳腺癌检测深度学习是一种深度学习.轻量级的建筑轻量级的建筑.采用多式模式的方法.合成数据集的生成.

相关实验视频

Last Updated: May 5, 2026

A Multimodal Imaging Framework to Advance Phenotyping of Living Label-free Breast Cancer Cells
10:37

A Multimodal Imaging Framework to Advance Phenotyping of Living Label-free Breast Cancer Cells

Published on: August 22, 2025

1.4K

结论:

  • 拟议的轻量级UNet模型为乳腺癌分类提供了一个有效的解决方案,减少了计算需求.
  • 多模式成像和基于GAN的数据增强的整合大大提高了分类性能.
  • 该模型显示了在临床环境中改善乳腺癌诊断的实践应用的巨大潜力.