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 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

预处理技术对深度学习的影响 乳房图像细分 乳房图像细分

Jéssica Catarino1,2, Nuno Cruz Garcia3, Sara Silva3

  • 1LASIGE, Faculdade de Ciências, Universidade de Lisboa, 1749-016, Lisbon, Portugal. jessica.catarino@research.fchampalimaud.org.

Scientific reports
|December 16, 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 Comprehensive Review on Date (<i>Phoenix dactylifera</i> L.) Syrup: Functional Properties, Innovative Extraction Approaches, and Main Applications in the Food Industry.

Foods (Basel, Switzerland)·2026
Same author

Semi-automated detection of cleaning interactions using supervised machine learning.

Scientific reports·2026
Same author

Polymeric Nanogels for Skin Applications.

Gels (Basel, Switzerland)·2026
Same author

Digital twins for non-invasive tumor localization in breast-conserving surgery: a technical pilot study.

Breast (Edinburgh, Scotland)·2026
Same author

Editorial: Natural bioactives: a promising avenue for metabolic syndrome therapy.

Frontiers in nutrition·2026
Same author

Primer on Modelling Approaches for Omics Data.

Advances in experimental medicine and biology·2026

预处理技术对乳腺癌图像细分的深度学习模型性能产生重大影响. 量身定制的策略,特别是像素强度正常化,提高了乳腺成像分析的细分精度.

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:

  • 乳腺癌是全球领先的健康问题,需要先进的诊断工具.
  • 深度学习 (DL) 方法在医学图像分析中表现有前途,特别是在细分任务中.
  • 预处理对乳房成像中的DL模型性能的影响尚未得到充分证实.

研究的目的:

  • 调查各种预处理技术对乳房图像细分DL模型性能的影响.
  • 将域非特定管道与域特定管道进行比较,用于乳腺成像.
  • 确定最佳的预处理策略,以提高乳腺图像细分的准确性.

主要方法:

  • 一个U-Net细分模型被应用到两个公开的乳腺成像数据集 (CBIS-DDSM和杜克-乳腺癌-MRI).
  • 系统评估预处理技术,包括规范化,协调,大小调整和标准化.
  • 开发和比较域非特定和域特定的预处理管道.

主要成果:

  • 不同的预处理技术导致了U-Net细分结果的显著变化.
  • 像素强度正常化方法对模型性能产生了显著影响,由三向ANOVA F-test证实.
  • 域特定管道,保存解剖信息,证明了改进细分的潜力.

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

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
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

结论:

  • 预处理是DL模型在乳腺图像细分中的性能的一个关键决定因素.
  • 量身定制的预处理策略,特别是像素强度规范化,可以提高细分精度.
  • 这项研究为优化基于DL的乳腺图像分析提供了基础的见解.