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

反面的合成使得学习成为可能 没有目标的细分 模式 基础真相

Yuankai Huo1, Zhoubing Xu1, Shunxing Bao2

  • 1Electrical Engineering, Vanderbilt University, Nashville, TN, USA 37235.

Proceedings. IEEE International Symposium on Biomedical Imaging
|September 29, 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

A model to estimate spleen volume from palpated spleen length in patients with myelofibrosis.

Annals of hematology·2026
Same author

Add-on parsaclisib for patients with myelofibrosis and suboptimal response to ruxolitinib: a randomized phase 3 study.

The oncologist·2026
Same author

Early adipose tissue wasting in a novel preclinical model of human lung cancer cachexia.

bioRxiv : the preprint server for biology·2024
Same author

MICCAI-CDMRI 2023 QuantConn Challenge Findings on Achieving Robust Quantitative Connectivity through Harmonized Preprocessing of Diffusion MRI.

ArXiv·2024
Same author

Primary Visual Pathway Changes in Individuals With Chronic Mild Traumatic Brain Injury.

JAMA ophthalmology·2024
Same author

Super-resolution multi-contrast unbiased eye atlases with deep probabilistic refinement.

Journal of medical imaging (Bellingham, Wash.)·2024

这项研究引入了医疗图像细分的端到端网络,使得MRI和CT扫描之间的标签可以在没有手动注释的情况下转移. 这种新的方法显著提高了CT图像的细分精度,超过了现有的方法.

科学领域:

  • 医疗成像医学成像
  • 深度学习 (Deep Learning) 是一种深度学习.
  • 计算机视觉 计算机视觉

背景情况:

  • 深度学习细分模型往往缺乏在不同成像方式 (如MRI,CT) 或患者队列中通用性.
  • 对不同模式或疾病的新数据集进行手动标记是耗时且资源密集的.
  • 使用CycleGAN进行跨模式合成和细分的现有方法通常在两个独立的阶段进行,无法利用互补信息.

研究的目的:

  • 开发一种新的端到端合成和细分网络 (EssNet),用于未配对的MRI到CT图像合成和CT脊髓巨变细分.
  • 在细分过程中消除了对目标CT图像的手动标签的需求.
  • 提高基于深度学习的医学图像细分的可通用性和准确性.

主要方法:

  • 提出了一个新的端到端合成和细分网络 (EssNet).
  • 实现了同时不配对的MRI到CT图像合成和CT脊髓巨变细分.
  • 训练了网络,而不需要在目标CT图像上进行手动标签.

主要成果:

  • 端到端的EssNet实现了CT脊髓大病细分的Dice相似系数 (DSC) 中位数为0.9188.
  • 埃塞网的表现明显超过了两阶段的合成-然后-细分策略 (DSC: 0.8801).

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
  • 此外,EssNet还超过了使用CT手动标签的正规多图表细分 (DSC:0.9125) 和ResNet方法 (DSC:0.9107).

    • 结论:

    • 拟议的EssNet有效地解决了深度学习细分中的通用性限制,通过实现跨模式标签转移.
    • 在端到端框架中同时进行合成和细分,捕获互补的信息,从而获得更高的性能.
    • 在医疗成像中,EssNet显示了减少手动注释工作的潜力,并提高了细分精度,即使没有目标域标签.