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

Microgel-templated cluster-crosslinked hydrogels for low-hysteresis soft electronics.

Journal of colloid and interface science·2026
Same author

Targeting CD8<sup>+</sup> T cell-derived granzyme K alleviates radiation-induced pulmonary fibrosis by attenuating senescence and SASP.

Archives of biochemistry and biophysics·2026
Same author

Luminespib and AZ5104 are effective antithrombotic drugs via targeting the platelet Ero1α-PDI pathway.

Science advances·2026
Same author

A dual-mechanism injectable hydrogel integrating reactive oxygen species regulationand low-level laser therapy for androgenetic alopecia remediation.

Journal of nanobiotechnology·2026
Same author

Construction and application of a multifunctional material intelligent screening platform for food-derived bioactive compounds: enhancing solubility, antioxidant, and antibacterial properties.

Food chemistry·2026
Same author

Identification of the <i>SAUR</i> Gene Family in <i>Pinus massoniana</i> and Analysis of Its Expression Patterns Under Drought Stress.

Biology·2026

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

MFR-UNet:一个医疗图像细分网络,具有融合的多尺度特征精细化.

Shaoqiang Wang1, Guiling Shi1, Shuo Sun1

  • 1Qingdao University of Technology, Qingdao, Shandong, China.

IET systems biology
|December 24, 2025
PubMed
概括
此摘要是机器生成的。

本研究介绍了MFR-UNet,这是一种用于医学图像细分的新型深度学习模型. 它通过完善多层次特征并有效地整合跨层次信息,显著提高了细分精度和界限清晰度.

关键词:
功能融合功能融合功能大型接收场的大型接收场.医疗图像细分 医疗图像细分波形小波形电波,就是一个波形电波.

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

721
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
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

721
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

科学领域:

  • 医疗成像医学成像
  • 计算机视觉 计算机视觉
  • 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

  • 医学图像细分对于临床诊断和治疗规划至关重要.
  • 目前基于卷积神经网络 (CNN) 的方法,如U-Net,在捕捉远程依赖性和整合多层次特征方面面临挑战.
  • 现有的模型在改进特征表示和在不同网络层面有效地融合信息方面扎.

研究的目的:

  • 提出一种新的U-Net架构,即多级特征改进U-Net (MFR-UNet),以增强医疗图像细分.
  • 解决捕获远程依赖,改进多层次特征和整合跨层次信息的局限性.
  • 为了提高医疗图像的细分精度,稳定性和边界清晰度.

主要方法:

  • 开发了一个新的U-Net架构 (MFR-UNet) 结合了三个关键模块:波形转换卷积 (WtConv),大受体场注意力 (LRFA) 和加权上下文融合 (WCF).
  • WtConv模块处理频域中的特征,以精确学习高频细节和低频轮.
  • 编码器中的LRFA模块使用深度可分离卷积和多头注意力来有效捕捉全球背景.
  • 跳过连接和解码路径中的WCF模块通过使用动态频道注意力权重来自适应地融合功能流.

主要成果:

  • 与几种主流方法相比,MFR-UNet在多个公共医疗图像细分数据集上表现出优越的性能.
  • 在关键细分指标方面取得了显著的改进,包括Dice系数和IoU交叉点.
  • 拟议的模块有效地提高了细分精度,并提高了细分边界的清晰度.

结论:

  • 在医疗图像细分方面,MFR-UNet有效地解决了现有的U-Net变体在医疗图像细分方面的局限性.
  • 整合WtConv,LRFA和WCF模块导致了增强的特征表示和融合,提高了细分性能.
  • 通过准确和强大的医疗图像细分,MFR-UNet显示了改善临床诊断和治疗规划的巨大潜力.