Search research articles

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 Journal Methods Collections JoVE Encyclopedia of Experiments 存档

教育

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual 教师资源中心教师网站

使用条款与条件

Search research articles

相关实验视频

Updated: Jan 14, 2026

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

用混合图像进行不确定性意识的协作学习,用于半监督的医疗图像细分.

Meixi Wang¹, Xiumei Li¹, Huang Bai¹

¹School of Information Science and Technology, Hangzhou Normal University, Hangzhou, China.

Computer methods and programs in biomedicine

|October 25, 2025

概括

这项研究引入了一种半监督医疗图像细分的新框架,通过减少杂的伪标签和利用各种数据干扰来提高准确性,以便在医疗AI中更好地泛化.

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

Study on the anti-inflammatory effects and mechanisms of gentisic acid based on the LPS-induced RAW264.7 cell inflammation model and the oxazolone-induced zebrafish inflammation model.

Frontiers in pharmacology·2026

Same author

Chitosan-based nanotheranostics integrated dual-modal imaging and combinatorial tumor therapy for EGFR-TKI resistance reversal.

Materials today. Bio·2026

Same author

X-ray irradiation simultaneously mitigates chlorfenapyr and azoxystrobin residues and preserves postharvest quality of cowpea.

Food chemistry: X·2026

Same author

Optimizing cutoffs for clinical interpretation of brain amyloid status using PET/MRI: a multisite study.

Alzheimer's research & therapy·2026

Same author

DNA-PK-mediated CRTC2 phosphorylation promotes NHEJ and suppresses antitumor immunity via relocation to repair complexes.

Nature communications·2026

Same author

Caffeic Acid-Chicoric Acid (1:1) Mixture Exerts Antioxidant Effects and Regulates Intestinal Health in Oxazolone-Induced Zebrafish.

Antioxidants (Basel, Switzerland)·2026

科学领域:

医学图像分析医学图像分析
人工智能在医学中的应用
计算机视觉计算机视觉

背景情况:

半监督医疗图像细分 (SSMIS) 使用未标记的数据来降低注释成本.
伪标签 (PL) 在SSMIS中很常见,但由于有限的注释,它与杂的标签作斗争.
使用单个扰动现有方法的概括性有限;多个扰动带来训练挑战.

研究的目的:

为了应对基于PL的SSMIS中杂的伪标签和有限的概括性的挑战.
提高医疗图像细分模型的准确性和稳定性.
开发一个有效利用标记和未标记数据的框架.

主要方法:

为SSMIS提出了一个不确定性意识与混合图像 (CLMI) 的协作学习框架.
引入混合原型引导不确定性估计 (MPUE) 通过估计不确定性来减少伪标签噪声.
CLMI使用扰乱和不扰乱的图像来增强概括性和减轻过度拟合.

主要成果:

在 ACDC 上获得了 89.97% 的 Dice 评分,在 PROMISE12 数据集上达到 81.20%,仅有 10% 的标记数据.
与最先进的半监督方法相比,表现出显著的优异性.
验证了框架在公共医疗图像数据集上的有效性.

结论:

拟议的框架提高了半监督医疗图像细分的准确性.
实验证实了该框架在现有方法上的优势.
代码是公开可用的可复制性和进一步研究.

关键词:

医疗图像细分医疗图像细分原型学习学习的原型.伪标签是一种伪标签.半监督学习半监督学习不确定性估计估计不确定性

更多相关视频

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

相关实验视频

Last Updated: Jan 14, 2026

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024