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

A Hybrid Ensemble Equilibrium Optimizer Gene Selection Algorithm for Microarray Data.

Biomimetics (Basel, Switzerland)·2025
Same author

Binning Metagenomic Contigs Using Unsupervised Clustering and Reference Databases.

Interdisciplinary sciences, computational life sciences·2022
Same author

MetaCRS: unsupervised clustering of contigs with the recursive strategy of reducing metagenomic dataset's complexity.

BMC bioinformatics·2022
Same author

[Separation and determination of furanocoumarins in shatian pomelo juice by HPLC-MS].

Se pu = Chinese journal of chromatography·2007
Same author

Effect of neuregulin-1 on histopathological and functional outcome after controlled cortical impact in mice.

Journal of neurotrauma·2007
Same author

Decreased expression of ING2 gene and its clinicopathological significance in hepatocellular carcinoma.

Cancer letters·2007

相关实验视频

Updated: Jan 8, 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

先进的多层次双向注意网络用于视网膜血管细分.

Zhendi Ma1, Xiaobo Li2, Yuxin Zhao1

  • 1School of Computer Science and Technology, Zhejiang Normal University, Jinhua, 321004, China.

Interdisciplinary sciences, computational life sciences
|December 12, 2025
PubMed
概括
此摘要是机器生成的。

这项研究引入了一种用于视网膜血管细分的新型网络,大大提高了检测细血管和病理特征的准确性. 改进后的模型解决了特征丢失和上下文融合问题,在临床图像分析中表现优于现有的方法.

关键词:
注意力 注意力 注意力 注意力深度学习是一种深度学习.视网膜图像 视网膜图像船舶细分 船舶的细分

更多相关视频

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

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

723
Using Retinal Imaging to Study Dementia
09:17

Using Retinal Imaging to Study Dementia

Published on: November 6, 2017

22.2K

相关实验视频

Last Updated: Jan 8, 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
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

723
Using Retinal Imaging to Study Dementia
09:17

Using Retinal Imaging to Study Dementia

Published on: November 6, 2017

22.2K

科学领域:

  • 医疗成像医学成像
  • 计算机视觉 计算机视觉
  • 生物医学工程 生物医学工程

背景情况:

  • 视网膜血管细分对于使用 fundus 图像诊断眼睛疾病至关重要.
  • 现有的神经网络在特征损失和上下文融合方面扎,特别是复杂的血管结构和变化的图像亮度.
  • 由于细血管曲率和背景噪音,病理图像细分具有挑战性.

研究的目的:

  • 提出一个新的多层次双向注意力聚合网络,以改善视网膜血管细分.
  • 为了解决编码器的功能丢失和跳过连接中不够的上下文融合问题.
  • 增强视网膜图像中细血管和病理特征的细分.

主要方法:

  • 开发了一种部分编码器块 (PEB),以尽量减少编码过程中的功能损失.
  • 在跳过连接中引入了动态方向注意模块 (DDAM),以更好地呈现异构形状和保存细节.
  • 实施多功能融合模块 (MFFM) 集成多层次功能,增强细节保留和降噪.

主要成果:

  • 拟议的网络在多个数据集 (DRIVE,STARE,CHASEDB1) 中显示出显著的改进.
  • 与现有方法相比,在AUC,F1得分,灵敏度和特异性方面取得了显著的收益.
  • 具体来说,DRIVE数据集的改善率为0.19% (AUC),0.43% (F1) 和1.17% (灵敏度).

结论:

  • 多层次的双向注意力聚合网络有效地增强了视网膜血管细分.
  • 拟议的模块 (PEB,DDAM,MFFM) 成功解决了以前方法的局限性.
  • 该网络在细血管细分和视网膜底部图像中的病理特征方面表现出卓越的性能.