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

Machine learning-guided risk stratification in elderly AML based on genomic, immunophenotypic and therapeutic profiles.

BMC geriatrics·2026
Same author

The cumulative effect of multiple high-sugar and high-fat dietary patterns on acne vulgaris in school aged children: a cross-sectional study in Shanghai.

Frontiers in public health·2026
Same author

GraphTransDTA: Drug-Target Affinity Prediction with Graph Transformer for Multimodal Data Fusion.

Interdisciplinary sciences, computational life sciences·2026
Same author

In vivo membrane engineering traps Gd-based MRI contrast agents for detecting microhepatocellular carcinoma.

Science advances·2026
Same author

The impact of social support on academic burnout among medical students: the mediating effects of anxiety and depression, and the role of urban-rural differences.

Frontiers in psychiatry·2026
Same author

Combined network pharmacology and biological verification to investigate anti-influenza A virus effect and potential mechanism of Pudilan Xiaoyan Oral Liquid.

Chinese herbal medicines·2026

相关实验视频

Updated: May 22, 2025

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

一种半监督域适应性医疗图像细分方法,基于双层多尺度对齐.

Hualing Li1, Yaodan Wang2, Yan Qiang2

  • 1School of Software, North University of China, Taiyuan, Shanxi, China. lihualing750108@163.com.

Scientific reports
|March 14, 2025
PubMed
概括

这项研究引入了一种新方法,在处理有限的标记数据和域移动时,提高医疗图像细分的准确性. 这种新的方法增强了跨不同数据集的特征对齐,优于现有的技术.

科学领域:

  • 医疗成像医学成像
  • 计算机视觉 计算机视觉
  • 机器学习 机器学习

背景情况:

  • 医疗图像细分通常受到有限的标记数据和域移动的影响,影响模型的概括性.
  • 在相似 (同类) 或不相似 (异类) 的医疗图像数据集之间可以发生域移位.

研究的目的:

  • 提出一种新的方法,用于在域转移条件下,在有限的标记数据下进行强大的医疗图像细分.
  • 增强模型适应未标记的目标域数据.

主要方法:

  • 使用标记源和目标域数据训练了一个模型,以适应未标记的数据.
  • 在风格层面进行了对齐,使用多尺度的风格特征来增强未标记的目标图像特征.
  • 域间对齐最大限度地提高了目标和混合图像数据之间的类别中心点相似性.
  • 开发了一种融合监督和对齐损失计算方法.

主要成果:

  • 验证是在构建的同源和异源跨域医学图像数据集上进行的.
  • 与标准的半监督和域调整技术相比,拟议的方法表现出优越的综合性能.
  • 该方法有效地解决了医疗图像细分领域转移带来的挑战.

结论:

关键词:
域名适应性 域名适应性医疗图像细分 医疗图像细分多个尺度的对齐方式.半监督 半监督 半监督

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

343
Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
14:08

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images

Published on: April 13, 2013

42.4K

相关实验视频

Last Updated: May 22, 2025

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

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

343
Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
14:08

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images

Published on: April 13, 2013

42.4K
  • 这种新的方法在医疗图像细分方面取得了重大进展,特别是在数据有限和域变化的场景中.
  • 双层调整策略 (风格和跨领域) 是该方法有效性的关键.
  • 这种方法有望提高自动化医学图像分析的可靠性和准确性.