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

Automatic Evaluation of Small Bowel Cleanliness in Capsule Endoscopy: A Comparative Study of Four Preparations using Artificial Intelligence.

Endoscopy international open·2026
Same author

CeraMIRScan: Mid-infrared OCT Scan Dataset for Ceramic Quality Assessment.

Scientific data·2026
Same author

Artificial intelligence in inflammatory bowel disease: bridging innovation, implementation and impact.

Nature reviews. Gastroenterology & hepatology·2026
Same author

Fronto-caudate and callosal microstructural alterations: unveiling multimodal MRI biomarkers in early Parkinson's disease.

The British journal of radiology·2026
Same author

MIL-Adapter: Coupling multiple instance learning and vision-language adapters for few-shot slide-level classification.

Medical image analysis·2026
Same author

Shaping the future of postoperative recurrence in Crohn's disease: personalised approaches with AI-enabled imaging and multi-omics.

Gut·2026

相关实验视频

Updated: May 24, 2025

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
03:14

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

Published on: December 6, 2024

475

在语网络中使用生成模型提高图像检索性能.

Alejandro Golfe, Adrian Colomer, Jose Padres

    IEEE journal of biomedical and health informatics
    |March 4, 2025
    PubMed
    概括

    生成型深度学习模型通过改进基于内容的图像检索 (CBIR) 系统来增强前列腺癌诊断. 使用语网络生成合成数据可以提高诊断准确度,并帮助整个幻灯片成像 (WSI) 的格里森评分.

    科学领域:

    • 医学成像和人工智能 医学成像和人工智能
    • 计算病理学计算病理学
    • 在瘤学瘤学.

    背景情况:

    • 前列腺癌是全球重要的健康问题,需要准确和早期诊断才能有效治疗.
    • 计算机辅助诊断 (CAD) 系统帮助病理学家,但他们的性能可以通过先进的技术来提高.
    • 基于内容的图像检索 (CBIR) 为改善病理学CAD系统提供了一个有希望的途径.

    研究的目的:

    • 评估生成深度学习模型对提高CBIR系统中前列腺癌诊断检索质量的影响.
    • 调查语网络的应用,用于学习图像补丁表示以进行检索.
    • 探索CBIR优化潜伏表示的新用途,以在格里森评分中训练注意力机制.

    主要方法:

    • 利用一个语网络方法来学习图像补丁的隐藏表示,以便检索.
    • 使用ProGleason-GAN框架,在SiCAPv2数据集上进行训练,以生成合成图像对.
    • 开发并应用了一种以CBIR优化潜伏表示为全幻灯片成像 (WSI) 格里森评分而训练的注意力机制.

    主要成果:

    • 由生成模型生成的合成补丁的引入导致了CBIR绩效指标的显著改进.
    • 西安网络有效地将图像补丁编码为用于检索任务的有用隐藏表示.

    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
    Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
    03:31

    Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

    Published on: December 15, 2023

    451

    相关实验视频

    Last Updated: May 24, 2025

    Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
    03:14

    Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

    Published on: December 6, 2024

    475
    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
    04:48

    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

    Published on: July 5, 2024

    348
    Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
    03:31

    Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

    Published on: December 15, 2023

    451
  • 本研究介绍了首次应用CBIR优化的潜伏表示来训练格里森评分的注意力机制.

    • 结论:

    • 生成型深度学习模型,特别是当与语网络一起使用时,可以明显提高CBIR系统在前列腺癌分析中的有效性.
    • 综合合成数据的整合提高了检索质量,并有助于更准确的诊断支持.
    • 这项研究开创了一种新的格里森评分方法,使用训练在专业潜伏表征上的注意力机制.