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: Jan 16, 2026

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

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

735

部分标记数据集之间的深度相互学习,用于多器官细分.

Xiaoyu Liu, Linhao Qu, Ziyue Xie

    IEEE transactions on medical imaging
    |September 26, 2025
    PubMed
    概括

    这项研究引入了一种新的相互学习框架,以增强使用部分标记数据集的多器官细分. 该方法通过有效利用跨数据集的互补信息来提高准确性和效率.

    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

    FUO-PETMamba: a pet maximum-intensity-projection-based artificial intelligence framework for aetiological classification of fever of unknown origin with multicentre validation.

    European journal of nuclear medicine and molecular imaging·2026
    Same author

    Interpretable multimodal PET/CT-EHR fusion via mixture-of-experts for prognostic stratification in mantle cell lymphoma: a multicenter study.

    BMC medicine·2026
    Same author

    ME-Mamba: Multi-Expert Mamba with efficient knowledge capture and fusion for multimodal survival analysis.

    Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society·2026
    Same author

    Foundation Model-Enabled Multimodal Deep Learning for Prognostic Prediction in Colorectal Cancer with Incomplete Modalities: A Multi-Institutional Retrospective Study.

    Advanced science (Weinheim, Baden-Wurttemberg, Germany)·2026
    Same author

    CoroPCRNet: Integrative prediction of hemodynamically significant coronary stenosis by fusing point cloud network and radiomics feature.

    Journal of biomechanics·2025
    Same author

    MSCPT: Few-Shot Whole Slide Image Classification With Multi-Scale and Context-Focused Prompt Tuning.

    IEEE transactions on medical imaging·2025

    科学领域:

    • 医学图像分析 医学图像分析
    • 计算机视觉 计算机视觉
    • 机器学习 机器学习

    背景情况:

    • 多器官细分对于医学成像至关重要,但受到稀缺的完全标记数据集的阻碍.
    • 现有的方法在不完整的监督,复杂的推断和有限的概括方面扎.
    • 部分标记的数据集是丰富的,但未得到充分利用.

    研究的目的:

    • 开发一个相互学习框架,以提高多器官细分性能.
    • 通过有效利用部分标记数据来解决当前方法的局限性.
    • 加强跨数据集信息的互补性,以便更好地细分.

    主要方法:

    • 提出了一个有三个组成部分的框架:部分器官模型的差异相互学习,伪标签生成/过以及全器官模型的相似性相互学习.
    • 差异相互学习使用来自其他数据集的互补信号来改进跨数据集器官检测.
    • 类似性相互学习结合了跨数据集的基本真相和转移的特征,以加强全器官模型培训.

    主要成果:

    • 拟议的方法在多器官细分中实现了高精度和高效的推理.
    • 在九个不同的数据集 (头,胸部,腹部,骨盆) 中实现了最先进的 (SOTA) 性能.
    • 从部分标记的数据集中证明有效地利用监督.

    结论:

    • 相互学习框架有效地补充了部分标记数据集的信息,以实现高级多器官细分.
    • 该方法提供了一个强大的解决方案,可以利用丰富的部分标签来克服数据稀缺.
    • 这种方法显著提高了自动化多器官细分的准确性和效率.

    更多相关视频

    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

    3.3K

    相关实验视频

    Last Updated: Jan 16, 2026

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

    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

    Published on: July 5, 2024

    735
    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

    3.3K