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: May 3, 2026

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

3.6K

一个深度学习框架,用于使用局部上下文注意模块进行精确的乳腺测量质量分类.

Ibrahim Abdelhalim1, Yassir Almalki2,3, Abdelrahman Abdallah4

  • 1Department of Bioengineering, University of Louisville, Louisville, USA.

Medical physics
|September 23, 2025
PubMed
概括

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

Bridging Global Attention and Local Hierarchies: A Robust Hybrid Ensemble Framework With Multi-Perspective Explainability for Automated HER2-IHC Scoring.

Technology in cancer research & treatment·2026
Same author

Explainable Split-Learning-Based Framework for Accurate Pulmonary Nodule Classification.

Bioengineering (Basel, Switzerland)·2026
Same author

Corrigendum to "A review on biohydrogen production through dark fermentation via the lactate pathway" [Bioresour. Technol. 454 (2026) 134726].

Bioresource technology·2026
Same author

Correction: Multiclass Classification of Renal Tumor Subtypes: Addressing Diagnostic Challenges Using a Texture-Informed Deep Hybrid CNN-Transformer.

Journal of imaging informatics in medicine·2026
Same author

3D Adversarial Segmentation of Kidney-Transplant Across Multiple MRI Sequences Using Probabilistic and Anatomical Priors.

Diagnostics (Basel, Switzerland)·2026
Same author

Advanced computer-aided diagnosis for age-related macular degeneration: integrating segmentation and feature extraction for precise diagnosis.

Scientific reports·2026

本研究引入了一种使用双乳镜视图的深度学习模型,以改善乳腺癌 (BC) 分类. 这种新的方法提高了密集乳腺组织的诊断准确性,有助于早期检测.

科学领域:

  • 医疗成像医学成像
  • 人工智能的人工智能
  • 在瘤学瘤学.

背景情况:

  • 密集的乳腺组织是乳腺癌 (BC) 的重要危险因素.
  • 目前的乳腺癌的乳房扫描分类往往是主观的和不可靠的,阻碍了准确的评估.
  • 提高BC分类准确性对于患者的治疗结果至关重要.

研究的目的:

  • 开发一种深度学习方法,使用局部上下文注意模块 (LCAM) 来增强BC分类.
  • 为了提高分级的一致性和准确性,使用与BI-RADS类别一致的双重乳房造影视图.
  • 为了利用乳腺质量周围的当地环境,进行更精确的BC评估.

主要方法:

  • 从双重乳腺扫描视图中,识别了感兴趣的区域 (ROI),乳腺周围有密集的组织.
  • 利用基于卷积神经网络 (CNN) 的模型,结合LCAM进行特征选择和差异化.
  • 为了改进适应性特征,LCAM推断出沿道和空间维度的注意力图.

主要成果:

  • 该框架在四个BI-RADS类别中对3020名患者进行了评估.
  • 在识别乳腺质量的BI-RADS分级时,获得了82.46%的灵敏度和91.42%的特异性.
  • 在使用双重乳房镜视图对BC进行分类时表现出强的表现.
关键词:
在 BI-RADS 会议上.乳腺癌 乳腺癌 乳腺癌深度学习是一种深度学习.进行乳房造影 (mammogram) 进行乳房造影.大量的恶性瘤.

相关实验视频

Last Updated: May 3, 2026

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

3.6K

结论:

  • 引入了一种基于CNN的新框架,利用双重乳房镜视图进行BC分类.
  • 该LCAM有效地捕捉围绕乳腺质量的局部特征,提高分类准确性.
  • 拟议的方法旨在提高BC分类结果的一致性和可靠性.