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 14, 2026

Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images
06:48

Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images

Published on: January 7, 2019

9.4K

使用基于注意力的卷积UNet在MRI图像上增强脑瘤细分.

Mohammad Abrar1, Abdu Salam2, Faizan Ullah3

  • 1Faculty of Computer Studies, Arab Open University, 122, Muscat, P.O. Box 1596, Oman. abrar.m@aou.edu.om.

Scientific reports
|October 21, 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

RUL-DBRS: A Novel Energy Efficient and Robust Protocol for Enhanced Communication in Underwater Wireless Sensor Networks.

Scientific reports·2026
Same author

Secure IIoT architecture with blockchain-enabled anomaly detection for water distribution cyber-physical systems.

Scientific reports·2026
Same author

Computational approaches for drug-drug interaction prediction: a systematic review of data sources, modeling strategies, and evaluation frameworks.

Frontiers in pharmacology·2026
Same author

Deep learning-based region merging with adaptive threshold optimization for building segmentation in remote sensing images.

PloS one·2026
Same author

Heuristic optimization of multiplierless decimation filter for multi-standard wireless applications.

Scientific reports·2026
Same author

LLM-guided population-based reinforcement learning: A scalable methodology for adaptive hyperparameter optimization.

MethodsX·2026

基于注意力的卷积U-Net (ACU-Net) 提高了MRI扫描上脑瘤细分的准确性. 这种人工智能模型提高了临床应用的精度和可靠性,优于传统方法.

科学领域:

  • 医疗成像医学成像
  • 人工智能的人工智能
  • 计算生物学 计算生物学

背景情况:

  • 准确的脑瘤细分对于诊断和治疗计划至关重要.
  • 目前的自动化方法难以处理复杂的瘤形状,而手动细分是耗时和主观的.
  • 现有的深度学习模型,如U-Nets和CNN,在捕捉复杂的瘤边界方面存在局限性.

研究的目的:

  • 提出和评估基于注意力的卷积U-Net (ACU-Net) 模型,以增强MRI数据上的脑瘤细分.
  • 用U-Net架构中的注意力机制来提高瘤边缘划分的精度和可靠性.
  • 以使用标准细分指标的基线模型对ACU-Net的性能进行定量评估.

主要方法:

  • 利用BraTS 2018 MRI数据集进行脑瘤细分.
  • 通过规范化,空间分辨率调整和增强预处理数据.
  • 开发了ACU-Net模型,结合了注意力门,使用子和交叉损失函数进行训练.
  • 将ACU-Net与U-Nets和卷积神经网络 (CNN) 的性能进行比较,使用精度,回忆,子相似系数 (DSC) 和交叉在联盟 (IoU) 上.

主要成果:

  • ACU-Net实现了高的子相似系数:整个瘤 (WT) 的94.04%,瘤核心 (TC) 的98.63%,增强瘤 (ET) 的98.77%.
关键词:
基于注意力的卷积U-Net.大脑瘤是什么?深度学习是一种深度学习.这就是为什么MRI是MRI.医学成像医学成像分段化 分段化 分段化 分段化瘤边界的划定.

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 14, 2026

Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images
06:48

Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images

Published on: January 7, 2019

9.4K
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
  • 拟议的ACU-Net模型与基线U-Net和CNN模型相比,表现优越.
  • 注意力机制显著提高了大脑瘤医学图像细分的准确性和稳定性.

    • 结论:

    • 在临床环境中,ACU-Net模型为精确的脑瘤细分提供了可靠和有效的工具.
    • 注意力机制对于提高医疗图像分析中的深度学习模型性能至关重要.
    • 该研究强调了ACU-Net克服现有细分方法的局限性的潜力,改善了诊断和治疗规划.