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: Sep 18, 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

3.0K

通过使用线性可变形卷积和多尺度自我注意的解码器进行轻量级2D医疗图像分割.

Le Zou, Xiangxu Bu, Fengling Jiang

    IEEE journal of biomedical and health informatics
    |June 25, 2025
    PubMed
    概括
    此摘要是机器生成的。

    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

    Cel-LDH dual-functional nanotherapy simultaneously promotes microglial efferocytosis and alleviates neuronal apoptosis for spinal cord injury recovery.

    Journal of nanobiotechnology·2026
    Same author

    Early postnatal antibiotic-associated gut microbiota alterations might promote long-term lipid metabolism via brown adipose tissue metabolic programming.

    Gut microbes·2026
    Same author

    ATEdrug: A reliable human-in-the-loop annotation scheme for aspect term extraction and polarity detection in drug reviews.

    PloS one·2026
    Same author

    Combined Maternal and Offspring Vitamin D3 Supplementation Ameliorates Autism-Like Behaviors via VDR Pathway Activation, Neuroinflammatory Suppression, and Metabolic Homeostasis Restoration.

    International journal of general medicine·2026
    Same author

    Outcomes following shunt for secondary hydrocephalus in patients with prolonged disorders of consciousness: a matched cohort study.

    Neurosurgical review·2026
    Same author

    Deep learning analysis for enhanced prediction of heat transfer in Maxwell hybrid nanofluids with non-Fourier law and radiation effects.

    Scientific reports·2026

    一个新的轻量级解码器LDMSD通过整合可变形卷积和多尺度自我注意来增强医疗图像细分. 它显著降低了计算负载,同时提高了准确性,超过了现有的方法.

    科学领域:

    • 计算机视觉 计算机视觉
    • 医疗成像医学成像
    • 人工智能的人工智能

    背景情况:

    • 医疗图像细分面临着计算密集型解码器的挑战,特别是在资源有限的环境中.
    • 现有的解码器设计由于其简单性,往往限制了细分性能.
    • 在医学图像分割中平衡计算效率,轻量化设计和高精度是一个重大挑战.

    研究的目的:

    • 为医疗图像分割引入一种新,计算效率高,轻量级的解码器.
    • 增强医学图像细分模型中的表示能力和特征地图增强.
    • 提高医疗图像细分的准确性和计算效率.

    主要方法:

    • 开发了一种集线可变形卷积和多尺度自我注意 (LDMSD) 的新型解码器.
    • 整合了一个多层次的自我注意力增强模块,具有两个不同的机制.
    • 使用线性可变形卷积注意力引导机制来跳过连接功能增强.

    主要成果:

    • LDMSD显著提高了表示能力和功能地图增强.
    • 该方法有效地捕获了全球和多个规模的目标信息,准确地定位了边界和结构.
    • 与CASCADE相比,LDMSD实现了77.36%的FLOP减少和81.66%的参数减少.

    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

    530

    相关实验视频

    Last Updated: Sep 18, 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

    3.0K
    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
    04:48

    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

    Published on: July 5, 2024

    530

    结论:

    • 在医学图像细分方面,LDMSD在准确性和计算效率之间提供了卓越的平衡.
    • 拟议的解码器有效地解决了传统卷曲的局限性,并增强了语义关系的捕获.
    • 在六个数据集上的实验验证证证了LDMSD在医疗图像细分方面的最先进性能.