Name: Swin-PSAxialNet: uma técnica eficiente de segmentação de múltiplos órgãos (Vídeo) | JoVE Journal
Uploaded: 2024-07-05T12:30:00.000+00:00
Duration: 4 min 48 s
Description: Aprenda o método Swin-PSAxialNet para segmentação eficiente de múltiplos órgãos em imagens médicas. Esta técnica de aprendizado profundo oferece maior precisão e eficiência em análise de imagens.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

O presente protocolo foi aprovado pelo Comitê de Ética da Universidade de Nantong. Envolve a avaliação inteligente e a pesquisa de dados multimodais não invasivos ou minimamente invasivos adquiridos, incluindo imagens médicas humanas, movimentos de membros e imagens vasculares, utilizando tecnologia de inteligência artificial. A Figura 3 mostra o fluxograma geral da segmentação de múltiplos órgãos. Todos os links necessários são fornecidos na Tabela de Materiais.
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/66459/66459fig03.jpg"> 
Figura 3: Fluxograma geral da segmentação de múltiplos órgãos. <a href="https://www.jove.com/files/ftp_upload/66459/66459fig03large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
1. Recolha de conjuntos de dados
<ol>
	<li>Faça o download do conjunto de dados AMOS202224 (consulte a Tabela de Materiais).</li>
	<li>Selecione 160 imagens como o conjunto de dados de treinamento e 40 imagens como o conjunto de dados de teste.</li>
	<li>Execute terminalmente mkdir ~/PaddleSeg/contrib/MedicalSeg/data/raw_data.</li>
	<li>Abra o caminho de raw_data.</li>
	<li>Coloque o conjunto de dados no diretório raw_data e garanta a correspondência correta com os nomes dos arquivos nos diretórios "imagesTr" e "labelsTr".</li>
	<li>Crie dataset.json arquivo.</li>
	<li>Adicione informações do conjunto de dados, como numTraining, numTest e nome de rótulos , ao arquivo "dataset.json". NOTA: O conjunto de dados para este estudo consiste em 200 conjuntos de dados de TC de alta qualidade selecionados do conjunto de dados oficial de 500 CT da AMOS2022 para fins de treinamento e teste. O conjunto de dados abrange 11 órgãos, incluindo baço, rim direito, rim esquerdo, vesícula biliar, esôfago, fígado, estômago, aorta, veia cava inferior, pâncreas e bexiga.</li>
</ol>
2. Configuração do ambiente
<ol>
	<li>Instale o ambiente Paddlepaddle (consulte a Tabela de Materiais) e o CUDA versão25 correspondente. NOTA: Recomenda-se utilizar o Paddlepaddle versão 2.5.0 e CUDA versão 11.7.</li>
	<li>Git clone o repositório PaddleSeg25.</li>
	<li>Execute terminalmente cd ~/PaddleSeg/contrib/MedicalSeg/.</li>
	<li>Execute pip install -r requirements.txt.</li>
	<li>Execute pip install medpy.</li>
</ol>
3. Pré-processamento de dados
<ol>
	<li>Modifique o arquivo "yml", incluindo parâmetros como data_root, batch_size, modelo, train_dataset, val_dataset, otimizador, lr_scheduler e perda.</li>
	<li>Especifique os parâmetros necessários para a execução, incluindo "-config, --log_iters, --precision, --nnunet, --save_dir, --save_interval, etc. NOTA: O "raw_data" original é transformado em três tipos de arquivos de dados: "Cropped", "Decathlon" e "Preprocessed", atendendo a diferentes requisitos de treinamento e avaliação para melhorar o desempenho do modelo e a eficácia do treinamento.</li>
</ol>
4. Treinamento e comparação de modelos
NOTA: Como uma linha de base amplamente utilizada no campo da segmentação de imagens, o nnU-Net23 serve como um modelo de linha de base no estudo. O processo de comparação de modelos específicos é o seguinte.
<ol>
	<li>Trem nnU-Net<ol>
		<li>Configure com um tamanho de lote de 2 e 80.000 iterações, registre a cada 20 iterações e utilize a precisão fp16.</li>
		<li>Defina o save_dir como a pasta "saída" dentro do diretório de trabalho, com um intervalo de salvamento definido em 1.000 iterações.</li>
		<li>Adicione o parâmetro --use_vdl para visualização do parâmetro VisualDL.</li>
		<li>Execute train.py.</li>
		<li>Crie quatro arquivos yml , especifique as dobras de 1 a 4 e treine o modelo com validação cruzada quíntupla.</li>
	</ol>
	</li>
	<li>Trem Swin-UNet<ol>
		<li>Manter a consistência com as condições experimentais previamente estabelecidas.</li>
		<li>Remova o parâmetro --nnunet e use --swinunet.</li>
		<li>Execute o arquivo train.py.</li>
		<li>Treine dobras de 1 a 4 individualmente e, em seguida, sujeito ao processamento do conjunto.</li>
	</ol>
	</li>
	<li>Trem TransUNet<ol>
		<li>Siga os procedimentos descritos na etapa 4.1.</li>
		<li>Abra o arquivo yml .</li>
		<li>Modifique type: nnunet para type: transunet.</li>
		<li>Modifique o parâmetro --nnunet para --transunet.</li>
		<li>Execute o arquivo train.py.</li>
		<li>Treine as dobras 1-4 individualmente e processe o processamento do conjunto.</li>
	</ol>
	</li>
	<li>Trem UNETR<ol>
		<li>Mantenha variáveis experimentais consistentes.</li>
		<li>Repita os procedimentos descritos anteriormente, como Swin-UNet e TransUNet (etapa 4.2 e etapa 4.3).</li>
		<li>Execute train.py.</li>
		<li>Treine as dobras 1-4 individualmente e processe o processamento do conjunto.</li>
	</ol>
	</li>
	<li>Formador de Trem<ol>
		<li>Modifique os parâmetros como Swin-UNet e TransUNet.</li>
		<li>Execute uma única dobra train.py.</li>
		<li>Execute o processamento de conjunto.</li>
	</ol>
	</li>
</ol>
5. Experiência de ablação
<ol>
	<li>Bloco PSAA para toda a rede<ol>
		<li>Mantenha as variáveis consistentes com a etapa 4.1.</li>
		<li>Conjunto volume_shape = (64.192.192) e Axial_attention = Verdadeiro.</li>
		<li>Execute uma única dobra train.py.</li>
		<li>Processe o processamento do conjunto em cinco dobras.</li>
	</ol>
	</li>
	<li>Bloco SPD para toda a rede<ol>
		<li>Mantenha as variáveis consistentes com a etapa 4.1.</li>
		<li>Defina SPD_enable = Verdadeiro e Axial_attention = Falso.</li>
		<li>Execute uma única dobra train.py.</li>
		<li>Processe o processamento do conjunto em cinco dobras.</li>
	</ol>
	</li>
	<li>Bloco PSAA para aumento da amostragem NOTA: Não use o bloco SPD para downsampling.<ol>
		<li>Use o bloco PSAA para upsampling.</li>
		<li>Mantenha as variáveis consistentes com a etapa 4.1.</li>
		<li>Defina Axial_attention = False na parte de redução da resolução e SPD_enable = False.</li>
		<li>Execute uma única dobra train.py.</li>
		<li>Processe o processamento do conjunto de cinco dobras.</li>
	</ol>
	</li>
	<li>Bloco PSAA para aumento da amostragem NOTA: Use o bloco SPD para downsampling.<ol>
		<li>Use o bloco SPD para redução da amostragem e o bloco PSAA para upsampling.</li>
		<li>Mantenha as variáveis consistentes com a etapa 4.1.</li>
		<li>Defina Axial_attention = False na parte de redução da resolução e SPD_enable = True.</li>
		<li>Execute uma única dobra train.py.</li>
		<li>Processe o processamento do conjunto de cinco dobras.</li>
		<li>Defina o número de iterações como 2.00.000 devido aos resultados superiores.</li>
	</ol>
	</li>
</ol>

<meta charset="utf8"></head><body>Swin-PSAxialNet: uma abordagem simplificada para segmentar vários órgãos

<ol><li>Liu, X., Song, L., Liu, S., Zhang, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+review+of+deep-learning-based+medical+image+segmentation+methods%5BTitle%5D)+AND+%22Sustain%22%5BJournal%5D)">A review of deep-learning-based medical image segmentation methods.</a> Sustain. 13 (3), 1224(2021).</li>
<li>Popilock, R., Sandrasagaren, K., Harris, L., Kaser, K. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((CT+artifact+recognition+for+the+nuclear+technologist%5BTitle%5D)+AND+%22J+Nucl+Med+Technol%22%5BJournal%5D)">CT artifact recognition for the nuclear technologist.</a> J Nucl Med Technol. 36 (2), 79-81 (2008).</li>
<li>Rehman, A., Khan, F. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+deep+learning+based+review+on+abdominal+images%5BTitle%5D)+AND+%22Multimed+Tools+Appl%22%5BJournal%5D)">A deep learning based review on abdominal images.</a> Multimed Tools Appl. 80, 30321-30352 (2021).</li>
<li>Schenck, J. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+role+of+magnetic+susceptibility+in+magnetic+resonance+imaging%3A+Mri+magnetic+compatibility+of+the+first+and+second+kinds%5BTitle%5D)+AND+%22Med+Phys%22%5BJournal%5D)">The role of magnetic susceptibility in magnetic resonance imaging: Mri magnetic compatibility of the first and second kinds.</a> Med Phys. 23 (6), 815-850 (1996).</li>
<li>Palmisano, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Myocardial+late+contrast+enhancement+ct+in+troponin-positive+acute+chest+pain+syndrome%5BTitle%5D)+AND+%22Radiol%22%5BJournal%5D)">Myocardial late contrast enhancement ct in troponin-positive acute chest pain syndrome.</a> Radiol. 302 (3), 545-553 (2022).</li>
<li>Chen, E. -L., Chung, P. -C., Chen, C. -L., Tsai, H. -M., Chang, C. -I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+automatic+diagnostic+system+for+CT+liver+image+classification%5BTitle%5D)+AND+%22IEEE+Trans+Biomed+Eng%22%5BJournal%5D)">An automatic diagnostic system for CT liver image classification.</a> IEEE Trans Biomed Eng. 45 (6), 783-794 (1998).</li>
<li>Sagel, S. S., Stanley, R. J., Levitt, R. G., Geisse, G. J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Computed+tomography+of+the+kidney%5BTitle%5D)+AND+%22Radiol%22%5BJournal%5D)">Computed tomography of the kidney.</a> Radiol. 124 (2), 359-370 (1977).</li>
<li>Freeman, J. L., Jafri, S., Roberts, J. L., Mezwa, D. G., Shirkhoda, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((CT+of+congenital+and+acquired+abnormalities+of+the+spleen%5BTitle%5D)+AND+%22Radiographics%22%5BJournal%5D)">CT of congenital and acquired abnormalities of the spleen.</a> Radiographics. 13 (3), 597-610 (1993).</li>
<li>Almeida, R. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Advances+in+pancreatic+CT+imaging%5BTitle%5D)+AND+%22AJR+Am+J+Roentgenol%22%5BJournal%5D)">Advances in pancreatic CT imaging.</a> AJR Am J Roentgenol. 211 (1), 52-66 (2018).</li>
<li>Eisen, G. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Guidelines+for+credentialing+and+granting+privileges+for+endoscopic+ultrasound%5BTitle%5D)+AND+%22Gastrointest+Endosc%22%5BJournal%5D)">Guidelines for credentialing and granting privileges for endoscopic ultrasound.</a> Gastrointest Endosc. 54 (6), 811-814 (2001).</li>
<li>Sykes, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Reflections+on+the+current+status+of+commercial+automated+segmentation+systems+in+clinical+practice%5BTitle%5D)+AND+%22J+Med+Radiat+Sci%22%5BJournal%5D)">Reflections on the current status of commercial automated segmentation systems in clinical practice.</a> J Med Radiat Sci. 61 (3), 131-134 (2014).</li>
<li>He, K., Zhang, X., Ren, S., Sun, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Deep+residual+learning+for+image+recognition%5BTitle%5D)+AND+%222016+IEEE+Conference+on+Computer+Vision+and+Pattern+Recognition+%28CVPR%29%22%5BJournal%5D)">Deep residual learning for image recognition.</a> 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). , Vegas, NV, USA. 770-778 (2016).</li>
<li>Dosovitskiy, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+image+is+worth+16x16+words%3A+Transformers+for+image+recognition+at+scale.+arXiv%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">An image is worth 16x16 words: Transformers for image recognition at scale. arXiv.</a> arXiv. , 11929(2020).</li>
<li>Ramachandran, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Stand-alone+self-attention+in+vision+models%5BTitle%5D)+AND+%22Adv+Neural+Inf+Process+Syst%22%5BJournal%5D)">Stand-alone self-attention in vision models.</a> Adv Neural Inf Process Syst. 32, NIPS2019 (2019).</li>
<li>Vaswani, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Attention+is+all+you+need%5BTitle%5D)+AND+%22Adv+Neural+Inf+Process+Syst%22%5BJournal%5D)">Attention is all you need.</a> Adv Neural Inf Process Syst. 30, NIPS2019 (2017).</li>
<li>Chen, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((TransUNET%3A+Transformers+make+strong+encoders+for+medical+image+segmentation%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">TransUNET: Transformers make strong encoders for medical image segmentation.</a> arXiv. , arXiv:2102 04396(2021).</li>
<li>Liu, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Swin+transformer%3A+Hierarchical+vision+transformer+using+shifted+windows%5BTitle%5D)+AND+%22Proc+IEEE+Int+Conf+Comput+Vis%22%5BJournal%5D)">Swin transformer: Hierarchical vision transformer using shifted windows.</a> Proc IEEE Int Conf Comput Vis. , 10012-10022 (2021).</li>
<li>Cao, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Swin-UNET%3A+Unet-like+pure+transformer+for+medical+image+segmentation%5BTitle%5D)+AND+%22Comput+Vis+ECCV%22%5BJournal%5D)">Swin-UNET: Unet-like pure transformer for medical image segmentation.</a> Comput Vis ECCV. , 205-218 (2022).</li>
<li>Zhou, H. -Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((nnformer%3A+Interleaved+transformer+for+volumetric+segmentation.+arXiv%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">nnformer: Interleaved transformer for volumetric segmentation. arXiv.</a> arXiv. , arXiv:2109 03201(2021).</li>
<li>Sunkara, R., Luo, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((No+more+strided+convolutions+or+pooling%3A+A+new+CNN+building+block+for+low-resolution+images+and+small+objects%5BTitle%5D)+AND+%22Mach+Learn+Knowl+Discov+Databases%22%5BJournal%5D)">No more strided convolutions or pooling: A new CNN building block for low-resolution images and small objects.</a> Mach Learn Knowl Discov Databases. , 443-459 (2023).</li>
<li>Çiçek, Ö, Abdulkadir, A., Lienkamp, S. S., Brox, T., Ronneberger, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((3D+U-Net%3A+learning+dense+volumetric+segmentation+from+sparse+annotation%5BTitle%5D)+AND+%22Med+Comput+Vis+Bayesian+Graph+Models+Biomed+Imaging%22%5BJournal%5D)">3D U-Net: learning dense volumetric segmentation from sparse annotation.</a> Med Comput Vis Bayesian Graph Models Biomed Imaging. 2016, 424-432 (2016).</li>
<li>Kim, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Abdominal+multi-organ+auto-segmentation+using+3D-patch-based+deep+convolutional+neural+network%5BTitle%5D)+AND+%22Scientific+reports%22%5BJournal%5D)">Abdominal multi-organ auto-segmentation using 3D-patch-based deep convolutional neural network.</a> Scientific reports. 10 (1), 6204(2020).</li>
<li>Isensee, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((nnu-net%3A+Self-adapting+framework+for+u-net-based+medical+image+segmentation%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">nnu-net: Self-adapting framework for u-net-based medical image segmentation.</a> arXiv. , arXiv:1809 10486(2018).</li>
<li>Ji, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+large-scale+abdominal+multi-organ+benchmark+for+versatile+medical+image+segmentation%5BTitle%5D)+AND+%22Adv+Neural+Inf+Process+Syst%22%5BJournal%5D)">A large-scale abdominal multi-organ benchmark for versatile medical image segmentation.</a> Adv Neural Inf Process Syst. 35, 36722-36732 (2022).</li>
<li>Liu, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Paddleseg%3A+A+high-efficient+development+toolkit+for+image+segmentation%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">Paddleseg: A high-efficient development toolkit for image segmentation.</a> arXiv. , arXiv:2101 06175(2021).</li>
<li>Hatamizadeh, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((UNETR%3A+Transformers+for+3D+medical+image+segmentation%5BTitle%5D)+AND+%22Proc+IEEE+Int+Conf+Comput+Vis%22%5BJournal%5D)">UNETR: Transformers for 3D medical image segmentation.</a> Proc IEEE Int Conf Comput Vis. , https://api.semanticscholar.org/CorpusID:232290634 574-584 (2022).</li>
<li>Zhou, H., Zeng, D., Bian, Z., Ma, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+semi-supervised+network-based+tissue-aware+contrast+enhancement+method+for+ct+images%5BTitle%5D)+AND+%22Nan+Fang+Yi+Ke+Da+Xue+Xue+Bao%22%5BJournal%5D)">A semi-supervised network-based tissue-aware contrast enhancement method for ct images.</a> Nan Fang Yi Ke Da Xue Xue Bao. 43 (6), 985-993 (2023).</li>
<li>Ma, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Abdomenct-1k%3A+Is+abdominal+organ+segmentation+a+solved+problem%5BTitle%5D)+AND+%22IEEE+Trans+Pattern+Anal+Mach+Intell%22%5BJournal%5D)">Abdomenct-1k: Is abdominal organ segmentation a solved problem.</a> IEEE Trans Pattern Anal Mach Intell. 44 (10), 6695-6714 (2021).</li>
<li>Galván, E., Mooney, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neuroevolution+in+deep+neural+networks%3A+Current+trends+and+future+challenges%5BTitle%5D)+AND+%22IEEE+Trans+Artif+Intell%22%5BJournal%5D)">Neuroevolution in deep neural networks: Current trends and future challenges.</a> IEEE Trans Artif Intell. 2 (6), 476-493 (2021).</li>
</ol>

A intervenção clínica contemporânea, incluindo o diagnóstico de doenças, a formulação de planos de tratamento e o rastreamento dos resultados do tratamento, depende da segmentação precisa das imagens médicas1. No entanto, as complexas relações estruturais entre os órgãos abdominais2tornam uma tarefa desafiadora alcançar a segmentação precisa de vários órgãos abdominais3. Nas últimas décadas, os desenvolvimentos florescentes em imagens médicas e visão computacional apresentaram novas oportunidades e desafios no campo da segmentação abdominal de múltiplos órgãos. A tecnologia de Ressonância Magnética (RM)4 e Tomografia Computadorizada (TC)5 nos permite adquirir imagens abdominais de alta resolução. A segmentação precisa de múltiplos órgãos a partir de imagens de TC tem valor clínico significativo para a avaliação e tratamento de órgãos vitais, como fígado, rins, baço, pâncreas, etc.6,7,8,9,10 No entanto, a anotação manual dessas estruturas anatômicas, especialmente aquelas que requerem intervenção de radiologistas ou oncologistas de radiação, é demorada e suscetível a influências subjetivas11. Portanto, há uma necessidade urgente de desenvolver métodos automatizados e precisos para segmentação abdominal de múltiplos órgãos.
Pesquisas anteriores sobre segmentação de imagens dependiam predominantemente de redes neurais convolucionais (CNNs), que melhoram a eficiência da segmentação empilhando camadas e introduzindo o ResNet12. Em 2020, a equipe de pesquisa do Google apresentou o modelo Vision Transformer (VIT)13, marcando um exemplo pioneiro de incorporação da arquitetura Transformer ao domínio visual tradicional para uma variedade de tarefas visuais14. Embora as operações convolucionais possam contemplar apenas informações de recursos locais, o mecanismo de atenção em Transformers permite a consideração abrangente de informações de recursos globais.
Considerando a superioridade das arquiteturas baseadas em Transformers sobre as redes convolucionais tradicionais15, várias equipes de pesquisa realizaram uma extensa exploração na otimização da sinergia entre os pontos fortes dos Transformers e as redes convolucionais 16,17,18,19. Chen et al. introduziram o TransUNet para tarefas de segmentação de imagens médicas16, que aproveita os Transformers para extrair recursos globais de imagens. Devido ao alto custo do treinamento de rede e à falha em utilizar o conceito de hierarquia de extração de recursos, as vantagens do Transformer não foram totalmente realizadas.
Para resolver esses problemas, muitos pesquisadores começaram a experimentar a incorporação de Transformers como a espinha dorsal para treinar redes de segmentação. Liu et al.17 introduziram o Transformador Swin, que empregava um método de construção hierárquica para extração de características em camadas. O conceito de Windows Multi-Head Self-Attention (W-MSA) foi proposto, reduzindo significativamente o custo computacional, particularmente na presença de mapas de recursos de nível superficial maiores. Embora essa abordagem reduzisse os requisitos computacionais, ela também isolava a transmissão de informações entre diferentes janelas. Para resolver esse problema, os autores introduziram ainda o conceito de Shifted Windows Multi-Head Self-Attention (SW-MSA), permitindo a propagação de informações entre janelas adjacentes. Com base nessa metodologia, Cao et al. formularam o Swin-UNet18, substituindo as convoluções 2D em U-Net por módulos Swin e incorporando W-MSA e SW-MSA nos processos de codificação e decodificação, alcançando resultados de segmentação louváveis.
Por outro lado, Zhou et al. destacaram que a vantagem da operação conv não pode ser ignorada ao processar imagens de alta resolução19. Seu nnFormer proposto emprega um método de computação de auto-atenção baseado em blocos de imagem tridimensionais locais, constituindo um modelo Transformer caracterizado por uma estrutura em forma de cruz. A utilização da atenção baseada em blocos tridimensionais locais reduziu significativamente a carga de treinamento na rede.
Dados os problemas com o estudo acima, uma estrutura hierárquica híbrida eficiente para segmentação de imagens médicas 3D, denominada Swin-PSAxialNet, é proposta. Este método incorpora um bloco de redução de amostragem, bloco Space-to-depth (SPD)20 , capaz de extrair informações globais21. Além disso, adiciona um módulo de atenção axial compartilhada por parâmetros (PSAA), que reduz a contagem de parâmetros de aprendizado de quadrático para linear e terá um bom efeito na precisão do treinamento da rede e na complexidade dos modelos de treinamento22.
Rede Swin-PSAxialNet A arquitetura geral da rede adota a estrutura em forma de U do nnU-Net23, consistindo em estruturas de codificador e decodificador. Essas estruturas se envolvem na extração de características locais e na concatenação de características de imagens de grande e pequena escala, conforme ilustrado na Figura 1.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/66459/66459fig01.jpg"> 
Figura 1: Diagrama esquemático Swin-PSAxialNet da arquitetura de rede. <a href="https://www.jove.com/files/ftp_upload/66459/66459fig01large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
Na estrutura do codificador, o bloco Conv tradicional é combinado com o bloco SPD20 para formar um volume de downsampling. A primeira camada do codificador incorpora Patch Embedding, um módulo que particiona os dados 3D em patches <img alt="Equation 1" src="/files/ftp_upload/66459/66459eq01.jpg" style="margin: auto;">3D, (P1, P2, P3) representa patches não sobrepostos neste contexto, <img alt="Equation 2" src="/files/ftp_upload/66459/66459eq02.jpg" style="margin: auto;"> significa o comprimento da sequência de patches 3D. Após a camada de incorporação, a próxima etapa envolve uma unidade de redução de amostragem convolucional não sobreposta, compreendendo um bloco convolucional e um bloco SPD. Nessa configuração, o bloco convolucional tem um passo definido como 1 e o bloco SPD é empregado para dimensionamento de imagem, levando a uma redução de quatro vezes na resolução e um aumento de duas vezes nos canais.
Na estrutura do decodificador, cada bloco de upsample após a camada de Feição de Gargalo consiste em uma combinação de um bloco de upsampling e um bloco PSAA. A resolução do mapa de recursos é aumentada duas vezes e a contagem de canais é reduzida pela metade entre cada par de estágios do decodificador. Para restaurar informações espaciais e melhorar a representação de recursos, a fusão de recursos entre imagens de grande e pequena escala é realizada entre os blocos de aumento de amostragem. Por fim, os resultados do upsampling são alimentados na camada Head para restaurar o tamanho da imagem original, com um tamanho de saída de (H × W × D × C, C = 3).
Arquitetura de bloco SPD Nos métodos tradicionais, a seção de redução da amostragem emprega uma única passada com um tamanho de passo de 2. Isso envolve o agrupamento convolucional em posições locais na imagem, limitando o campo receptivo e confinando o modelo à extração de recursos de pequenos patches de imagem. Este método utiliza o bloco SPD, que divide finamente a imagem original em três dimensões. A imagem 3D original é segmentada uniformemente ao longo dos eixos x, y e z, resultando em quatro corpos de subvolume. (Figura 2) Posteriormente, os quatro volumes são concatenados por meio da operação "cat", e a imagem resultante sofre uma convolução 1 × 1 × 1 para obter a imagem com amostragemreduzida 20.
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/66459/66459fig02.jpg"> 
Figura 2: Diagrama de blocos SPD. <a href="https://www.jove.com/files/ftp_upload/66459/66459fig02large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
Arquitetura de blocos PSAA Em contraste com as redes tradicionais da CNN, o bloco PSAA proposto é mais eficaz na condução do foco global de informações e mais eficiente no aprendizado e treinamento da rede. Isso permite a captura de imagens e recursos espaciais mais ricos. O bloco PSAA inclui aprendizado de atenção axial com base no compartilhamento de parâmetros em três dimensões: Altura, Largura e Profundidade. Em comparação com o mecanismo de atenção convencional que realiza o aprendizado de atenção para cada pixel da imagem, esse método conduz o aprendizado de atenção de forma independente para cada uma das três dimensões, reduzindo a complexidade da autoatenção de quadrática para linear. Além disso, um mecanismo de compartilhamento de parâmetros de consultas de chaves que podem ser aprendidas é empregado, permitindo que a rede execute operações de mecanismo de atenção em paralelo nas três dimensões, resultando em uma representação de recursos mais rápida, superior e eficaz.

<table><tbody><tr><td>AMOS2022 conjunto de dados</td><td>Nenhum</td><td>Nenhum</td><td>Conjuntos de dados para treinamento e teste de rede. O link da web é: https://pan.baidu.com/s/1x2ZW5FiZtVap0er55Wk4VQ?pwd=xhpb</td></tr><tr><td>Chassi principal ASUS</td><td>ASUS</td><td></td><td>https://www.asusparts.eu/en/asus-13020-01910200</td></tr><tr><td>CUDA versão 11.7</td><td>NVIDIA</td><td></td><td>https://developer.nvidia.com/cuda-11-7-0-download-archive</td></tr><tr><td>NVIDIA GeForce RTX 3090</td><td>NVIDIA</td><td></td><td>https://www.nvidia.com/en-in/geforce/graphics-cards/30-series/rtx-3090-3090ti/</td></tr><tr><td>Ambiente de paddlepaddle</td><td>Baidu</td><td>Nenhum</td><td>Preparação ambiental para treinamento em rede. O link da web é: https://www.paddlepaddle.org.cn/</td></tr><tr><td>PaddleSeg</td><td>Baidu</td><td>Nenhum</td><td>A linha de base que usamos: https://github.com/PaddlePaddle/PaddleSeg</td></tr></tbody></table>

swin-psaxialnet: uma técnica eficiente de segmentação de múltiplos órgãos

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Este protocolo emprega duas métricas para avaliar o modelo: Dice Similarity Score (DSC) e 95% Hausdorff Distance (HD95). O DSC mede a sobreposição entre as previsões de segmentação de voxel e a verdade fundamental, enquanto o 95% HD avalia a sobreposição entre os limites de previsão de segmentação de voxel e a verdade fundamental, filtrando 5% dos valores discrepantes. A definição de DSC26 é a seguinte:
<img alt="Equation 3" src="/files/ftp_upload/66459/66459eq03.jpg" style="margin: auto;">(1)
Onde T e P representam os valores de verdade fundamental e os valores previstos para todos os voxels, respectivamente. A definição de 95% HD26 é a seguinte:
<img alt="Equation 4" src="/files/ftp_upload/66459/66459eq04.jpg" style="margin: auto;">(2)
Onde d T,P, é a distância do percentil 95 do HD95 máximo entre a verdade fundamental e os voxels previstos, e d T,P, representa a distância do percentil 95 do HD95 máximo entre os voxels previstos e a verdade fundamental.
O Swin-PSAxialNet é comparado com vários algoritmos de segmentação de múltiplos órgãos convencionais na Tabela 1. Os resultados demonstram melhor desempenho de segmentação para órgãos abdominais no algoritmo proposto. A precisão dos dados do método de segmentação supera o valor médio dos dados de outros métodos em 2-3 pontos percentuais e até supera o nnFormer em 1 ponto percentual. O Swin-PSAxialNet também exibe alta precisão na segmentação de limites, com um coeficiente HD95 médio de 5,63, o mais baixo entre todos os algoritmos comparados.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td colspan="2" rowspan="2" style="min-width: 40px;">Métodos</td>
			<td rowspan="2" style="min-width: 40px;">Lkn</td>
			<td rowspan="2" style="min-width: 40px;">Spl</td>
			<td rowspan="2" style="min-width: 40px;">Liv</td>
			<td rowspan="2" style="min-width: 40px;">Panela</td>
			<td rowspan="2" style="min-width: 40px;">Aro</td>
			<td rowspan="2" style="min-width: 40px;">Bla</td>
			<td rowspan="2" style="min-width: 40px;">Sto</td>
			<td rowspan="2" style="min-width: 40px;">Gbd</td>
			<td rowspan="2" style="min-width: 40px;">Pdv</td>
			<td rowspan="2" style="min-width: 40px;">Eso</td>
			<td rowspan="2" style="min-width: 40px;">Rkn</td>
			<td colspan="2" style="min-width: 40px;">Avg</td>
		</tr>
		<tr>
			<td style="min-width: 40px;">DSC</td>
			<td style="min-width: 40px;">HD95</td>
		</tr>
		<tr>
			<td colspan="2" style="min-width: 40px;">nnU-Net</td>
			<td style="min-width: 40px;">96.3</td>
			<td style="min-width: 40px;">96.8</td>
			<td style="min-width: 40px;">97.21</td>
			<td style="min-width: 40px;">85.2</td>
			<td style="min-width: 40px;">95.22</td>
			<td style="min-width: 40px;">86.57</td>
			<td style="min-width: 40px;">91.47</td>
			<td style="min-width: 40px;">84.7</td>
			<td style="min-width: 40px;">91.79</td>
			<td style="min-width: 40px;">82.5</td>
			<td style="min-width: 40px;">95.44</td>
			<td style="min-width: 40px;">91.2</td>
			<td style="min-width: 40px;">7.13</td>
		</tr>
		<tr>
			<td colspan="2" style="min-width: 40px;">Swin-Unet</td>
			<td style="min-width: 40px;">96.03</td>
			<td style="min-width: 40px;">96.68</td>
			<td style="min-width: 40px;">97.22</td>
			<td style="min-width: 40px;">85.74</td>
			<td style="min-width: 40px;">95.3</td>
			<td style="min-width: 40px;">87.82</td>
			<td style="min-width: 40px;">91.77</td>
			<td style="min-width: 40px;">84.64</td>
			<td style="min-width: 40px;">91.67</td>
			<td style="min-width: 40px;">83.26</td>
			<td style="min-width: 40px;">96.14</td>
			<td style="min-width: 40px;">91.48</td>
			<td style="min-width: 40px;">9.68</td>
		</tr>
		<tr>
			<td colspan="2" style="min-width: 40px;">TransUNet</td>
			<td style="min-width: 40px;">96.42</td>
			<td style="min-width: 40px;">96.74</td>
			<td style="min-width: 40px;">97.05</td>
			<td style="min-width: 40px;">85.09</td>
			<td style="min-width: 40px;">94.86</td>
			<td style="min-width: 40px;">85.2</td>
			<td style="min-width: 40px;">91.81</td>
			<td style="min-width: 40px;">83.33</td>
			<td style="min-width: 40px;">91.52</td>
			<td style="min-width: 40px;">82.22</td>
			<td style="min-width: 40px;">96.12</td>
			<td style="min-width: 40px;">90.94</td>
			<td style="min-width: 40px;">13.77</td>
		</tr>
		<tr>
			<td colspan="2" style="min-width: 40px;">UNETR</td>
			<td style="min-width: 40px;">95.94</td>
			<td style="min-width: 40px;">96.48</td>
			<td style="min-width: 40px;">96.85</td>
			<td style="min-width: 40px;">84.14</td>
			<td style="min-width: 40px;">94.62</td>
			<td style="min-width: 40px;">85.01</td>
			<td style="min-width: 40px;">90.18</td>
			<td style="min-width: 40px;">81.16</td>
			<td style="min-width: 40px;">90.79</td>
			<td style="min-width: 40px;">80.34</td>
			<td style="min-width: 40px;">95.15</td>
			<td style="min-width: 40px;">90.06</td>
			<td style="min-width: 40px;">12.92</td>
		</tr>
		<tr>
			<td colspan="2" style="min-width: 40px;">nnAntigo</td>
			<td style="min-width: 40px;">96.59</td>
			<td style="min-width: 40px;">97.22</td>
			<td style="min-width: 40px;">97.33</td>
			<td style="min-width: 40px;">86.79</td>
			<td style="min-width: 40px;">95.31</td>
			<td style="min-width: 40px;">89.74</td>
			<td style="min-width: 40px;">92.82</td>
			<td style="min-width: 40px;">84.88</td>
			<td style="min-width: 40px;">92.43</td>
			<td style="min-width: 40px;">84.24</td>
			<td style="min-width: 40px;">96.32</td>
			<td style="min-width: 40px;">92.15</td>
			<td style="min-width: 40px;">6.59</td>
		</tr>
		<tr>
			<td colspan="2" style="min-width: 40px;">Swin-PSAxialNet</td>
			<td style="min-width: 40px;">96.85</td>
			<td style="min-width: 40px;">97.67</td>
			<td style="min-width: 40px;">97.64</td>
			<td style="min-width: 40px;">88.39</td>
			<td style="min-width: 40px;">95.97</td>
			<td style="min-width: 40px;">92.03</td>
			<td style="min-width: 40px;">94.4</td>
			<td style="min-width: 40px;">87.78</td>
			<td style="min-width: 40px;">93.15</td>
			<td style="min-width: 40px;">86.24</td>
			<td style="min-width: 40px;">96.59</td>
			<td style="min-width: 40px;">93.34</td>
			<td style="min-width: 40px;">5.63</td>
		</tr>
	</tbody>
</table>
Tabela 1: Comparação dos algoritmos de segmentação convencionais. As abreviaturas representam os seguintes órgãos: Lkn para rim esquerdo, Spl para baço, Liv para fígado, Pan para pâncreas, Aro para aorta, Bla para bexiga, Sto para estômago, Gbd para vesícula biliar, Pos para póscava, Eso para esôfago, Rkn para rim direito e DSC para o coeficiente de Dice médio, HD95 para a distância média de Hausdorff de 95%.
Além disso, a introdução de um mecanismo de compartilhamento de parâmetros e melhorias na estrutura do transformador fornecem vantagens significativas tanto na complexidade do modelo quanto na velocidade de inferência (Tabela 2, Figura 4 e Figura 5).
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Modelos</td>
			<td>Parâmetros (M)</td>
			<td>FLOPs (G)</td>
			<td>Tempo (s) de inferência</td>
		</tr>
		<tr>
			<td>nn-Unet</td>
			<td>17.96</td>
			<td>398.54</td>
			<td>9.07</td>
		</tr>
		<tr>
			<td>UNETR</td>
			<td>89.58</td>
			<td>39.67</td>
			<td>12.51</td>
		</tr>
		<tr>
			<td>nnAntigo</td>
			<td>134.78</td>
			<td>152.43</td>
			<td>11.24</td>
		</tr>
		<tr>
			<td>Swin-PSAxialNet</td>
			<td>37.64</td>
			<td>43.15</td>
			<td>10.31</td>
		</tr>
	</tbody>
</table>
Tabela 2: Tabela comparativa de indicadores do modelo de rede.
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/66459/66459fig04.jpg"> 
Figura 4: Curva de variação de dados da rede de treinamento do modelo. (A) A rede atual. (B) nnFormer. (C) nnU-Net. (D) UNETR. <a href="https://www.jove.com/files/ftp_upload/66459/66459fig04large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/66459/66459fig05.jpg"> 
Figura 5: Comparação dos resultados do treinamento do modelo. A figura destaca os resultados da rede atual, os resultados do nnFormer, os resultados do nnU-Net e os resultados do UNETR. <a href="https://www.jove.com/files/ftp_upload/66459/66459fig05large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
Este estudo conduziu experimentos abrangentes de ablação na rede de algoritmos, usando o bloco PSAA e o bloco SPD como variáveis, e comparando o treinamento de dobra única com o treinamento quíntuplo. Os coeficientes de Dice dos resultados experimentais são apresentados na Tabela 3. Esses resultados demonstram que a utilização do bloco SPD para redução da amostragem e do bloco PSAA para aumento da amostragem melhora efetivamente o desempenho da segmentação em comparação com o nnU-Net não modificado (Figura 6).
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Modelos</td>
			<td>Bloco PSAA para toda a rede</td>
			<td>Bloco SPD para toda a rede</td>
			<td>Bloco PSAA apenas para upsampling</td>
			<td>Bloco PSAA para upsampling, use SPD</td>
		</tr>
		<tr>
			<td>Treinamento de dobra única</td>
			<td>92.17</td>
			<td>90.51</td>
			<td>92.24</td>
			<td>92.39</td>
		</tr>
		<tr>
			<td>Treinamento quíntuplo</td>
			<td>92.82</td>
			<td>91.26</td>
			<td>92.79</td>
			<td>93.34</td>
		</tr>
	</tbody>
</table>
Tabela 3: Os resultados do experimento de ablação do Swin-PSAxialNet. Os resultados do experimento de ablação do Swin PSAxialNet são apresentados. No experimento de ablação, o uso do Bloco PSAA e do Bloco SPD foram comparados, e os resultados do treinamento do DSC são mostrados na tabela.
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/66459/66459fig06.jpg"> 
Figura 6: Os resultados da segmentação. <a href="https://www.jove.com/files/ftp_upload/66459/66459fig06large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>

Swin-PSAxialNet: uma técnica eficiente de segmentação de múltiplos órgãos

Abdominal multi-organ segmentation is one of the most important topics in the field of medical image analysis, and it plays an important role in ...

Nossa pesquisa se concentra principalmente na aplicação de inteligência artificial nas áreas médicas, incluindo segmentação de imagens médicas, multimodal médico, grandes modelos de linguagem e biossensores.Os avanços mais recentes em nosso campo incluem modelos de segmentação baseados em profissionais de amostra zero, como SAM, e modelos de sequência, como o membro do Wish.Os problemas comuns enfrentados pelos modelos atuais de aprendizado profundo incluem volume de dados insuficiente e baixa qualidade, com a necessidade de melhorar a generalização, os recursos e a robustez dos modelos.Nosso protocolo apresenta o Bloco PSA e o Bloco SPD como módulos de extração de informações, oferecendo recursos de extração de informações mais abrangentes e menor custo computacional em comparação com outros métodos.Os objetivos futuros de nossa biblioteca incluem o desenvolvimento de grandes modelos médicos universais, pesquisa em algoritmos de aprendizado profundo de vários modelos e o design de dispositivos médicos inteligentes vestíveis.[Narrador] Para começar, baixe o conjunto de dados Amos-2022 e explique as imagens a serem usadas para análise. Selecione 160 imagens do conjunto de dados para o conjunto de dados de treinamento e 40 imagens para o conjunto de dados de teste. Em um terminal, execute este comando para mover o diretório que contém os dados brutos. Em seguida, crie um arquivo dataset.json no diretório de dados brutos e insira informações do conjunto de dados, como o número de imagens de treinamento e teste e o nome do rótulo. Para configuração do ambiente, instale o ambiente PaddlePaddle e a versão correspondente do Kunlun. Clone o repositório PaddleSeg do GitHub. Em um terminal, execute este comando para navegar até o diretório MedicalSeg. Para instalar os requisitos do projeto, use este comando. Em seguida, modifique o arquivo de configuração yml para incluir parâmetros como data_root, batch_size, modelo, train_dataset, val_dataset, otimizador, LR_scheduler e perda. Especifique os parâmetros necessários para execução usando este comando. Configure o processo de treinamento de rede NNU com um tamanho de lote de duas e 80.000 iterações. Registre a cada 20 iterações e utilize a precisão FP 16. Defina o intervalo de salvamento a cada 1000 iterações. Em seguida, execute Train.py. Adicione o parâmetro use_VDL para visualização visual do parâmetro DL. Crie quatro arquivos yml, especifique dobras de um a quatro e treine o modelo com validação cruzada quíntupla. Em seguida, incorpore o Bloco PSAA em toda a rede, mantendo o mesmo que a etapa de treinamento. Defina a forma do volume e habilite a atenção axial como verdadeira. Execute o comando dobra única train.py. Avalie uma única dobra e configure parâmetros. Processe o processamento do conjunto em cinco dobras. O Swin-PSAxialNet apresenta desempenho de segmentação superior para órgãos abdominais quando comparado com os algoritmos convencionais de segmentação de múltiplos órgãos. Além disso, o Swin-PSAxialNet se destacou na segmentação de limites, alcançando o menor coeficiente médio HD 95 entre todos os algoritmos comparados. A introdução de um mecanismo de compartilhamento de parâmetros e aprimoramentos na estrutura do transformador contribuíram para melhorias significativas na complexidade do modelo e na velocidade de inferência em comparação com outros métodos. Experimentos abrangentes de ablação revelaram maior desempenho de segmentação em comparação com a rede NNU padrão, destacando os benefícios do bloco PSAA para upsampling.

swin-psaxialnet-an-efficient-multi-organ-segmentation-technique

Research

JoVE Journal

Engineering

Engenharia

Segmentação de dados tridimensionais de muitas técnicas de imagem é um grande gargalo em análise de sistemas biológicos complexos. Aqui, descrevemos o uso de SuRVoS Workbench para semi automaticamente dados de volumétrica do segmento em diversas escalas de comprimento usando conjuntos de dados de exemplo de técnicas de tomografia computadorizada de raios-x de contraste fase, cryo macio tomography do raio x e tomografia computadorizada do cryo-elétron.

Volume de segmentação e análise de materiais biológicos, usando a bancada de trabalho de SuRVoS (região super Volume segmentação)

O pipeline descrito é projetado para a segmentação de conjuntos de dados de microscopia eletrônica maiores que gigabytes, para extrair morfologias de células inteiras. Uma vez que as células são reconstruídas em 3D, software personalizado projetado em torno de necessidades individuais pode ser usado para executar uma análise qualitativa e quantitativa diretamente em 3D, também usando a realidade virtual para superar a oclusão de visão.

Um método para reconstrução 3D e análise de realidade virtual de células gliais e neuronais

Um protocolo de segmentação de objetos para imagens de tomografia computadorizada (TC) orbital é introduzido. Os métodos de rotular a verdade do solo de estruturas orbitais usando super-resolução, extraindo o volume de interesse de imagens de TC e modelando segmentação multi-label usando U-Net sequencial 2D para imagens de TC orbitais são explicados para aprendizado supervisionado.

Aplicação da Segmentação de Imagem Médica Baseada em Deep Learning via Tomografia Computadorizada Orbital

Apesar do papel crucial do plexo coroide no cérebro, estudos de neuroimagem dessa estrutura são escassos devido à falta de ferramentas confiáveis de segmentação automatizada. O presente protocolo visa garantir a segmentação manual padrão-ouro do plexo coroide que possa subsidiar futuros estudos de neuroimagem.

Segmentação Manual do Plexo Coroide Humano Utilizando RM Cerebral

O desenvolvimento de um fluxo automatizado de detecção de espaço articular permitiu segmentação de alto rendimento de ossos distintos da pata traseira murina com &gt;98% de precisão em animais selvagens. A aplicação flexível nas patas dianteiras e patas com artrite inflamatória-erosiva foi alcançada, mas com desempenho obsoleto que justifica otimização adicional em estudos futuros usando dados públicos.

Detecção Automatizada de Espaço Articular Melhora a Precisão da Segmentação Óssea

Um método para superar o limite de difração óptica é apresentado. O método inclui um processo de duas etapas: fase de recuperação óptica usando algoritmo iterativo Gerchberg-Saxton, e deslocamento do sistema de imagem seguido pela repetição da primeira etapa. A sinteticamente aumento abertura da lente é gerado ao longo da direção do movimento, produzindo resolução de imagem superior.

Técnica Tempo Multiplexing Super Resolvendo for Imaging a partir de uma plataforma móvel

Impacto da gota de fluidos não newtonianos, é um processo complexo uma vez que diferentes parâmetros físicos influenciar a dinâmica ao longo de um tempo muito curto (menos de um décimo de milésimo de segundo). A técnica de imagem rápido é introduzida a fim de caracterizar os comportamentos de impacto de diferentes fluidos não-newtonianos.

Técnica rápida de imagens para o Estudo de Impacto Dynamics Gota de fluidos não-newtonianos

Descrevemos a síntese e as propriedades de nanopartículas multifuncionais de Fe2O3-Au produzidas por uma abordagem química úmida e investigamos suas propriedades fototérmicas usando irradiação a laser. As nanopartículas compostas de Fe2O3-Au retêm as propriedades de ambos os materiais, criando uma estrutura multifuncional com excelentes propriedades magnéticas e plasmônicas.

Híbrido multifuncional Fe<sub&gt; 2</sub&gt; ó<sub&gt; 3</sub&gt; -au Nanopartículas para Aquecimento plasmonic Eficiente

Aqui, apresentamos um protocolo para ajustar as propriedades de CH-processados solução de 3 NH 3 PBI 3 através da incorporação de aditivos de cátions monovalentes, a fim de conseguir células solares perovskita altamente eficientes.

Monovalente Cation Doping de CH<sub&gt; 3</sub&gt; NH<sub&gt; 3</sub&gt; PBI<sub&gt; 3</sub&gt; For eficientes células solares Perovskita

Um protocolo para um projeto de feixe fixo-fixo usando um vibrômetro laser Doppler (LDV), incluindo a medição da frequência de sintonia, modificação do ajuste de capacidade e evitar a falha do dispositivo e stiction, é apresentado. A superioridade do método sobre o analisador de rede LDV é demonstrada devido à sua capacidade de modo mais elevada.

Projeto e metodologia de caracterização para filtros de MEMS sintonizável eficiente gama

Aprenda o método Swin-PSAxialNet para segmentação eficiente de múltiplos órgãos em imagens médicas. Esta técnica de aprendizado profundo oferece maior precisão e eficiência em análise de imagens.

Swin-PSAxialNet: uma técnica eficiente de segmentação de múltiplos órgãos

Explorar mais vídeos