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 journal

Human-AI Interaction in Interventional Radiology: A Narrative Review of Current Applications, Challenges, and Future Directions.

Journal of imaging·2026
Same journal

Coronary Artery Anomalies and Anatomical Variants: Cross-Sectional Diagnostic Imaging and Clinical Background.

Journal of imaging·2026
Same journal

YoLeTooth: A Unified Framework for Joint Tooth Segmentation and Periapical Lesion Detection in Panoramic Radiographs.

Journal of imaging·2026
Same journal

Radiomics-Guided Multi-Sequence Learning for Pathological Complete Response Prediction from Breast MRI with Missing Auxiliary Sequences.

Journal of imaging·2026
Same journal

Cutaneous Thermography in Arthropathies: Quantitative Imaging, Machine Learning, and Clinical Translation.

Journal of imaging·2026
Same journal

Two-Stage Dynamic Synergistic Segmentation Method for Myocardial Pathology.

Journal of imaging·2026

相关实验视频

Updated: May 31, 2025

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

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

364

有效的生成对抗U-Net用于多器官医疗图像细分.

Haoran Wang1, Gengshen Wu1, Yi Liu2

  • 1Faculty of Data Science, City University of Macau, Avenida Padre Tomás Pereira Taipa, Macao 999078, China.

Journal of imaging
|January 24, 2025
PubMed
概括

这项研究引入了高效的生成对抗U-Net (EGAUNet) 以实现快速准确的医疗图像细分. EGAUNet提高了多机关标签的效率和准确性,在公共数据集上表现优于现有的方法.

科学领域:

  • 医学图像分析 医学图像分析
  • 计算机辅助诊断 计算机辅助诊断
  • 人工智能在医学中的应用

背景情况:

  • 在医学成像中手动标记病变是耗时和资源密集的.
  • 手动标签的低效率阻碍了计算机辅助诊断系统的发展.
  • 准确的细分对于有效的医学图像分析至关重要.

研究的目的:

  • 开发一个高效和准确的医疗图像分割框架,用于多器官标签.
  • 引入新的机制来增强空间信息理解和特征提取.
  • 提高医疗图像细分中的深度学习模型的性能.

主要方法:

  • 拟议的高效生成对抗U-Net (EGAUNet) 框架.
  • 综合全球空间通道关注机制 (GSCA) 提高空间意识.
  • 集成的高效映射卷积块 (EMCB) 用于多尺度特征提取.
  • 利用生成-对抗式学习来提高绩效.

主要成果:

  • EGAUNet在公共多机关数据集上表现出卓越的细分性能.
  • 与Swin-Unet和TransUnet相比,在CHAOS T2SPIR数据集上实现了大约2%更高的Jaccard指数,1%更高的Dice指数,以及近3%更高的精度.
关键词:
注意力机制注意力机制深度学习是一种深度学习.图像细分 图像细分医疗图像分析分析

更多相关视频

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
Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application
05:56

Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application

Published on: April 14, 2023

2.4K

相关实验视频

Last Updated: May 31, 2025

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

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

364
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
Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application
05:56

Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application

Published on: April 14, 2023

2.4K
  • 在细分任务中保持高效率.

    • 结论:

    • EGAUNet为医疗图像细分提供了一种高效准确的解决方案.
    • 拟议的GSCA和EMCB机制增强了模型理解空间信息的能力.
    • 通过改进的多器官标签,EGAUNet代表了计算机辅助诊断的重大进步.