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

Logic-based Approach and Visualization for the Nuclear Medicine Rescheduling Problem.

Journal of medical systems·2025
Same author

A multi-model deep learning approach for the identification of coronary artery calcifications within 2D coronary angiography images.

International journal of computer assisted radiology and surgery·2025
Same author

Beyond rankings: Learning (more) from algorithm validation.

Medical image analysis·2023
Same author

Heidelberg colorectal data set for surgical data science in the sensor operating room.

Scientific data·2021
Same author

Comparative validation of multi-instance instrument segmentation in endoscopy: Results of the ROBUST-MIS 2019 challenge.

Medical image analysis·2021
Same author

Data reduction and data visualization for automatic diagnosis using gene expression and clinical data.

Artificial intelligence in medicine·2020

相关实验视频

Updated: Jan 11, 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

3.3K

一个双阶段的深度学习框架用于乳房超声波图像细分和分类.

Pierangela Bruno1, Megan Macrì2, Carmine Dodaro2

  • 1Department of Mathematics and Computer Science, University of Calabria, Rende, 87036, CS, Italy. pierangela.bruno@unical.it.

Journal of medical systems
|November 17, 2025
PubMed
概括
此摘要是机器生成的。

深度学习模型可以在超声波图像中对乳腺质量进行细分和分类,从而改善早期乳腺癌检测. 这种人工智能方法提高了恶性与良性瘤的诊断准确度.

关键词:
乳腺癌 乳腺癌是什么?分类 分类 分类 分类.深度学习是一种深度学习.分段化 分段化 分段化 分段化

更多相关视频

Deep Learning-Based Segmentation of Cryo-Electron Tomograms
10:25

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

10.5K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

727

相关实验视频

Last Updated: Jan 11, 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

3.3K
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
10:25

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

10.5K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

727

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:

  • 乳腺癌是妇女死亡的主要原因,因此早期检测至关重要.
  • 深度学习 (DL) 在增强用于诊断的医疗图像分析方面表现有前途.
  • 超声波成像是评估乳腺质量的关键工具.

研究的目的:

  • 在超声波图像中应用深度学习技术来细分和分类乳腺质量.
  • 开发一个双阶段的管道,以改善乳腺癌诊断.
  • 为了评估不同DL架构对此任务的性能.

主要方法:

  • 提出了一个模块化,双阶段的DL管道:细分,然后分类.
  • 该管道灵活地集成了各种骨干架构 (例如ResNet34,MobileNetV3-小,EfficientNet-B0).
  • 为了优化模型参数,进行了除研究.

主要成果:

  • DeepLabV3+与ResNet34一起实现了最准确的可疑区域细分.
  • 轻量级分类器MobileNetV3-Small和EfficientNet-B0表现出优越的分类性能.
  • 该方法在两个乳房超声波数据集上显示出诊断准确性的有希望的改善.

结论:

  • 拟议的DL管道有效地使用超声波图像对乳腺质量进行细分和分类.
  • 该方法有可能显著提高早期乳腺癌检测和诊断准确性的潜力.
  • 灵活整合DL架构允许对特定任务进行优化.