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

Trimethylamine <i>N</i>-Oxide Generation from Choline-Containing Precursors Is Closely Associated with Their Molecular Structure.

Journal of agricultural and food chemistry·2021
Same author

Synthesis and characterization of bis(pyrazolyl)borate Ni(ii) complexes: ligand rearrangement and transformation.

Dalton transactions (Cambridge, England : 2003)·2019
查看所有相关文章

相关实验视频

Updated: Jan 7, 2026

Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping
10:25

Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping

Published on: September 25, 2019

49.2K

TTG-U-Net:用于多模式脑瘤细分的可解释和有效框架,使得临床一致的决策支持成为可能.

Peng-Hui Gao, Xue-Feng Duan, Xi-Peng Pan

    IEEE journal of biomedical and health informatics
    |December 25, 2025
    PubMed
    概括

    我们开发了TTG-U-Net,这是一个可解释的AI (XAI) 模型,用于神经瘤学中的多模式MRI分析. 它实现了最先进的细分性能,同时通过透明的推理和高效的部署提高了临床信任.

    科学领域:

    • 神经瘤学信息学 神经瘤学信息学
    • 医疗保健中的人工智能 (AI)
    • 医疗图像分析 医学图像分析

    背景情况:

    • 多模态MRI的准确,自动化分析对于神经瘤学至关重要.
    • 人工智能的临床整合受到深度学习模型的"黑子"性质的阻碍,影响信任和验证.
    • 开发透明和高效的方法来融合异构的MRI数据仍然是一个挑战.

    研究的目的:

    • 提出TTG-U-Net,一个新的细分框架,解决医疗保健中可解释AI (XAI) 的需求.
    • 将细分性能与临床可解释性和计算效率相结合.
    • 促进人工智能融入神经瘤学临床工作流程.

    主要方法:

    • 一个交叉模式的变压器来建模交叉模式的依赖关系,并生成注意力图以实现透明度.
    • 动态低级张量分解用于自适应规范化和减少计算足迹.
    • 一个适应模式的封锁机制,用于透明的信息路由,与放射学原理保持一致.

    主要成果:

    • TTG-U-Net在BraTS 2021基准上取得了最先进的表现 (子:WT 91.7%,TC 88.8%,ET 84.5%),与乐队相比具有竞争力.
    • 动态低级设计使参数数量减少了大约41%,提高了效率.

    更多相关视频

    Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies
    04:25

    Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies

    Published on: December 15, 2023

    3.7K
    Multicolor 3D Printing of Complex Intracranial Tumors in Neurosurgery
    14:15

    Multicolor 3D Printing of Complex Intracranial Tumors in Neurosurgery

    Published on: January 11, 2020

    7.6K

    相关实验视频

    Last Updated: Jan 7, 2026

    Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping
    10:25

    Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping

    Published on: September 25, 2019

    49.2K
    Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies
    04:25

    Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies

    Published on: December 15, 2023

    3.7K
    Multicolor 3D Printing of Complex Intracranial Tumors in Neurosurgery
    14:15

    Multicolor 3D Printing of Complex Intracranial Tumors in Neurosurgery

    Published on: January 11, 2020

    7.6K
  • 可解释性研究证实该模型的融合策略与临床知识一致,增加了可信度.

    • 结论:

    • TTG-U-Net为神经瘤学中的多模式MRI细分提供了一个强大,高效和值得信赖的框架.
    • 该模型展示了负责的AI整合到临床决策支持系统的可行途径.
    • 在TTG-U-Net中的可解释AI增强了临床信任,并促进了神经瘤信息学的验证.