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

Global Socioeconomic Context and Brain Ageing in Epilepsy: an ENIGMA-Epilepsy study.

medRxiv : the preprint server for health sciences·2026
Same author

The ENIGMA-PD-WML Pipeline: A Containerized, User-Friendly Approach for Accurate, Standardized Segmentation of White Matter Lesions in Multi-Site MRI Data.

bioRxiv : the preprint server for biology·2026
Same author

Contralateral condylar degenerative changes in patients with unilateral mandibular condylar hyperplasia.

International journal of oral and maxillofacial surgery·2026
Same author

CALM-VLM: CALIBRATION AND SELECTIVE PREDICTION IN VISION-LANGUAGE MODELS FOR RELIABLE BRAIN MRI CLASSIFICATION.

bioRxiv : the preprint server for biology·2026
Same author

Exploring white matter abnormalities in different subtypes of spastic cerebral palsy using fixel-based analysis.

European journal of radiology·2026
Same author

Biomarkers.

Alzheimer's & dementia : the journal of the Alzheimer's Association·2025

相关实验视频

Updated: May 24, 2025

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
09:47

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches

Published on: December 15, 2023

938

基于变压器的蒙面自动编码器的参数高效微调增强了资源受限制的神经图像分析.

Nikhil J Dhinagar, Saket S Ozarkar, Ketaki U Buwa

    bioRxiv : the preprint server for biology
    |March 3, 2025
    PubMed
    概括

    参数高效微调 (PEFT) 方法适应大型人工智能模型用于医学成像,优于使用更少参数的传统方法. 这些高效的人工智能技术对神经成像任务 (如阿尔茨海默氏症疾病分类) 有前途.

    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

    348
    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

    相关实验视频

    Last Updated: May 24, 2025

    Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
    09:47

    Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches

    Published on: December 15, 2023

    938
    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
    04:48

    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

    Published on: July 5, 2024

    348
    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

    科学领域:

    • 人工智能的人工智能
    • 神经成像是一种神经成像.
    • 医学图像分析 医学图像分析

    背景情况:

    • 人工智能的基础模型越来越多地具有通用用途,与专业模型不同.
    • 变压器架构是各种数据类型的基础模型的标准.
    • 参数高效微调 (PEFT) 方法对于将模型适应专业任务至关重要,特别是在数据有限的医学成像中.

    研究的目的:

    • 在预训练的视觉变压器上评估各种PEFT方法,用于神经成像任务.
    • 将PEFT性能与完全微调和从头开始的培训进行比较.
    • 评估调整基础模型用于医学图像分析的效率和有效性.

    主要方法:

    • 预先训练了一个视觉编码器,使用基于变压器的蒙面自编码器 (MAE) 框架在T1加权的大脑MRI上.
    • 使用不同的PEFT方法微调预训练的视觉转换器,显著降低可训练参数 (低至0.04%).
    • 评估了阿尔茨海默病 (AD) 和帕金森病 (PD) 分类的表现,以及大脑年龄预测.

    主要成果:

    • PEFT方法与完全微调具有竞争力或性能优于完全微调,并且显著优于从头开始的培训.
    • 通过PEFT方法,阿尔茨海默病的分类比完整微调提高了3%,而在有限数据的3D CNN上提高了11%.
    • 较小的模型尺寸实现了竞争性测试性能,证明了效率.

    结论:

    • PEFT方法提供了一种高效和有效的方法来适应基础模型用于神经成像任务.
    • 这些方法是培训专业模型的有价值的替代方案,特别是考虑到数据限制.
    • 该研究强调了PEFT在各种神经成像应用中的潜力.