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

Multi-scale feature integration with enhanced cytomorph for high-accuracy cervical cytology classification.

PloS one·2026
Same author

A pruned and parameter-efficient Xception framework for skin cancer classification.

PloS one·2026
Same author

DiagNeXt: A Two-Stage Attention-Guided ConvNeXt Framework for Kidney Pathology Segmentation and Classification.

Journal of imaging·2025
Same author

Enhanced Vertebra-GNN: A Graph-Based Deep Learning Framework for Anatomically Informed Spinal Disease Classification.

Journal of imaging informatics in medicine·2025
Same author

FocusGate-Net: A dual-attention guided MLP-convolution hybrid network for accurate and efficient medical image segmentation.

PloS one·2025
Same author

Deep feature engineering for accurate sperm morphology classification using CBAM-enhanced ResNet50.

PloS one·2025

相关实验视频

Updated: May 9, 2025

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

1.7K

使用ConvNeXt和Swin变压器进行血细胞图像分类的基于注意力的双路径深度学习.

Şafak Kılıç1

  • 1Department of Software Engineering, Kayseri University, Kayseri, Turkey. safakkilic@kayseri.edu.tr.

Journal of imaging informatics in medicine
|April 29, 2025
PubMed
概括

一个新的双路径深度学习模型使用ConvNeXt和Swin转换器准确地分类血细胞. 这种先进的医学图像分析工具达到99.98%的准确性,改善了血液学疾病的诊断.

科学领域:

  • 医学图像分析 医学图像分析
  • 血液学 血液学 血液学
  • 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

  • 准确的血细胞分类对于诊断血液学疾病至关重要.
  • 传统的方法是劳动密集型的,可能是不一致的.
  • 需要自动化分析来提高诊断效率.

研究的目的:

  • 开发一个高度准确的自动化血细胞分类系统.
  • 利用深度学习来增强功能提取和上下文集成.
  • 为了提高医疗图像的质量,以便更好地分化细胞.

主要方法:

  • 一个双路径深度学习架构,结合了ConvNeXt和Swin Transformer网络.
  • 实现一个多尺度预处理模块 (MPM) 用于图像增强.
  • 在17,092张血细胞图像的数据集上进行培训和验证.

主要成果:

  • 实现了前所未有的分类准确率99.98%.
  • 与现有的血液细胞分析方法相比,其表现优越.
  • MPM显著改善了蜂特征的可见性和差异化.
关键词:
血细胞分类 血细胞分类接下来我们来谈谈一下.功能融合的特点是:医疗图像分析 医学图像分析斯温变压器 变压器

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

319
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 9, 2025

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

1.7K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

319
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

结论:

  • 拟议的双路径深度学习模型为血细胞分类提供了高度准确的解决方案.
  • 这项技术有可能提高临床诊断工作流程和患者的治疗结果.
  • 自动化,精确的血细胞分析可以减少医疗专业人员的工作量,提高诊断速度.