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: Mar 6, 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

3.6K

MDRSGAN:多规模的深度残留收缩为医疗形象增强提供生成对抗网络.

Du Jiang, Bo Tao, Kezhi Deng

    IEEE journal of biomedical and health informatics
    |March 4, 2026
    PubMed
    概括

    这项研究引入了一个新的AI网络,MDRSGAN,用于增强医疗图像. 多尺度深度残留收缩生成对抗网络 (MDRSGAN) 改善图像质量,以便更好地诊断.

    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

    WITHDRAWN: Reassessing the link between PA and CKD in CMD patients.

    Journal of science and medicine in sport·2026
    Same author

    Associations between visual skills and serve reception performance in elite male volleyball outside hitters.

    Frontiers in physiology·2026
    Same author

    Terahertz Dielectric Characterization and Hybrid Debye-Lorentz Modeling of Silicone Rubber Composites for Composite Insulators.

    Polymers·2026
    Same author

    The effects of stroboscopic vision training on sports vision ability performance and punching performance in female boxers.

    Frontiers in physiology·2026
    Same author

    Excitotoxicity and PANoptosis are examined through endoplasmic reticulum stress of brain in the fat greenling (Hexagrammos otakii) under hypoxic stress.

    Fish & shellfish immunology·2026
    Same author

    Lightweight detection network based on bidirectional weighted feature fusion with small target enhancement for USVs.

    Scientific reports·2026

    科学领域:

    • 医疗成像医学成像
    • 人工智能的人工智能
    • 计算机视觉 计算机视觉

    背景情况:

    • 高质量的医学图像对于准确的临床诊断和治疗至关重要.
    • 噪音,文物和不均的照明造成的图像退化是一个重大挑战.
    • 现有的增强方法经常与复杂的图像质量问题作斗争.

    研究的目的:

    • 提出一个新的多尺度深度残留收缩生成对抗网络 (MDRSGAN),用于未配对的医疗图像增强.
    • 为了解决当前医疗图像质量改进技术的局限性.
    • 开发一种强大的方法来增强各种医学成像模式.

    主要方法:

    • 开发了一个定制发电机 (DRSN-CS) 用于层次特征提取和自适应噪声抑制.
    • 采用双核区分器来确保全球统计的一致性和本地结构忠实性.
    • 集成内容感知损失和照明损失,以优化图像细节和功能.

    主要成果:

    • 与五种主流方法相比,MDRSGAN在视网膜底部,内镜和NIR-II小鼠数据集上表现出卓越的性能.
    • 在NIR-II小鼠图像中,信号与噪声比 (SNR) 提高了5%.
    • 在下游视网膜血管细分中,改善了与联盟 (IoU) 之间的交叉点和子相似系数 (DSC) 的13%和8%.

    结论:

    • 拟议的MDRSGAN有效地提高了医疗图像质量,优于现有的方法.
    • 网络的架构和损失函数有助于显著改善图像保真度和细节.
    • 证明了强大的临床适用性和性能优势,特别是在增强视网膜图像的细分任务.

    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

    851

    相关实验视频

    Last Updated: Mar 6, 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

    3.6K
    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
    04:48

    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

    Published on: July 5, 2024

    851