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

Food-Derived Antidiabetic Peptides as Multi-Target Systemic Regulators: A Comprehensive Review of Sources, Preparation, Mechanisms and Future Perspectives.

Foods (Basel, Switzerland)·2026
Same author

RAPT: Retrieval-Augmented Visual Prompting with Text-Guidance for Pathological Image Classification.

IEEE journal of biomedical and health informatics·2026
Same author

Association of Urinary Soluble CD163 With Response to Immunosuppressive Therapy and Renal Relapse in IgAN.

Kidney international reports·2026
Same author

Harpagide alleviates sepsis-induced acute respiratory distress syndrome via gut microbiota modulation.

Phytomedicine : international journal of phytotherapy and phytopharmacology·2026
Same author

A text-guided Brownian bridge diffusion model for unified multiphase contrast-enhanced CT synthesis.

Biomedical physics & engineering express·2026
Same author

Sub-inhibitory tilmicosin promotes horizontal transfer of bla<sub>NDM</sub> via extracellular vesicles through activation of the zraS/zraR system.

Veterinary microbiology·2026

相关实验视频

Updated: Sep 14, 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

2.9K

EICSeg:通过显式上下文学习进行通用医疗图像细分.

Shiao Xie, Liangjun Zhang, Ziwei Niu

    IEEE transactions on medical imaging
    |July 22, 2025
    PubMed
    概括

    本研究介绍了EICSeg,这是一种使用显式上下文学习 (E-ICL) 和视觉基础模型 (VFMs) 进行通用医疗图像细分的新框架. EICSeg表现出强大的短暂概括,在使用最小的数据和没有手动提示工程的情况下实现竞争性结果.

    科学领域:

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

    背景情况:

    • 医疗图像细分的深度学习模型面临着将其推广为新任务的挑战,需要广泛的再培训.
    • 语境学习 (ICL) 通过使用示例提示提供了一个有希望的替代方案,但通常依赖于隐式建模.
    • 现有的ICL方法缺乏端到端集成和有效适应各种医学成像场景.

    研究的目的:

    • 开发一个端到端的上下文学习框架,用于通用医学图像细分.
    • 提高细分模型对未见的任务,解剖学和模式的概括能力.
    • 减少对广泛的人力和计算资源的依赖,以适应模型.

    主要方法:

    • 通过将ICL重新定义为使用视觉基础模型 (VFMs) 的明确检索过程,引入了明确的上下文学习 (E-ICL).
    • 提出了EICSeg,这是一个端到端的框架,将互补的VFM与轻量级SD适配器集成在一起,以增强细分.
    • 开发了一个可扩展的自动提示培训策略和一个适应性提示选择机制,以提供高效的培训和推理.

    主要成果:

    • 在九个未见的数据集上,EICSeg获得了74.0%的平均子得分,在少数射击概括中,超过现有方法的4.5%.
    • 通过单一提示 (60.1%的子得分) 显示出强大的性能,与交互式模型相比.

    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

    527
    Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application
    05:56

    Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application

    Published on: April 14, 2023

    2.6K

    相关实验视频

    Last Updated: Sep 14, 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

    2.9K
    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
    04:48

    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

    Published on: July 5, 2024

    527
    Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application
    05:56

    Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application

    Published on: April 14, 2023

    2.6K
  • 展示了无需手动提示工程的自动细分,大大减少了对标记数据的需求.

    • 结论:

    • 通过明确的上下文学习,EICSeg为通用医疗图像细分提供了强大而高效的解决方案.
    • 该框架表现出了显著的少数镜头概括性,跨不同数据集的适应性,以及最小的数据要求.
    • 在减少人类干预的情况下,EICSeg代表了实现自动化和准确的医学图像分析的重大进步.