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: Jun 20, 2026

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

LC-TMNet:学习无损医疗图像压缩与可调节的多尺度网络.

Hengrui Liao1, Yue Li1

  • 1School of Computer, University of South China, HengYang, HuNan, China.

PeerJ. Computer science
|February 3, 2025
PubMed
概括

这项研究引入了一种新的无损图像压缩方法,使用灵活的树结构细分和注意力机制来改善医学成像中的概率估计. 这种方法提高了复杂区域的精度,并提供了可变速度压缩选项.

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

LFC-UNet: learned lossless medical image fast compression with U-Net.

PeerJ. Computer science·2024
Same author

Role of race and ethnicity in private long-term care insurance ownership.

The Gerontologist·2013
Same author

Chitinase 3-like 1 regulates cellular and tissue responses via IL-13 receptor α2.

Cell reports·2013
Same author

A new method to isolate and culture rat kupffer cells.

PloS one·2013
Same author

[Combination utility of phages GH15 and K against Staphylococcus aureus].

Wei sheng wu xue bao = Acta microbiologica Sinica·2013
Same author

[Kinetics and influencing factors of dimethyl phthalate degradation in aqueous solution by ozonation].

Huan jing ke xue= Huanjing kexue·2013

科学领域:

  • 医疗成像医学成像
  • 计算机科学 计算机科学
  • 数据压缩数据压缩

背景情况:

  • 高质量的医疗图像对于准确诊断至关重要,需要无损压缩来保持图像完整性.
  • 与编码器集成的神经网络提供先进的无损压缩,优于传统方法.
  • 现有的神经网络压缩方法在复杂或边缘区域中难以进行概率估计,从而限制了性能.

研究的目的:

  • 开发一种新的无损图像压缩方法,克服对复杂图像区域的概率估计的局限性.
  • 为了提高基于神经网络的无损图像压缩用于医疗应用的准确性和效率.

主要方法:

  • 使用灵活的树结构图像分割机制来利用子图像之间的关系.
  • 一个注意力机制被整合到UNet网络架构中,以提高概率估计的准确性.
  • 实现了可变速度压缩,提供了不同的快速和慢速模式.

主要成果:

  • 拟议的方法证明了改进的概率估计,特别是在复杂的纹理区域.
  • 可变速度压缩在快速模式下实现了最先进的压缩速度.
  • 慢模式实现了最先进的压缩性能.

结论:

  • 这种新的方法有效地提高了医疗成像的无损图像压缩精度和效率.
  • 灵活的树结构细分和注意力机制是改善基于神经网络的压缩的关键.
  • 变速压缩为不同的临床或研究需求提供了实际的适应性.
关键词:
没有损失的压缩.医学图像 医学图像神经网络的神经网络的神经网络

相关实验视频

Last Updated: Jun 20, 2026

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