PulseAugur
中
实时 09:44:41
English(EN) Unsupervised Adversarial Domain Adaptation for Uterine layer Segmentation: From Labeled Cine to Unlabeled Dynamic EPI MRI

AI模型改进动态MRI扫描中的子宫内膜分割

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种无监督对抗域自适应框架，以改进动态EPI MRI扫描中的子宫内膜分割。该方法将分割知识从标记的电影MRI数据转移到未标记的动态EPI数据，解决了伪影和低分辨率等挑战。实现的Unet-LSTM模型取得了0.88的Dice分数和0.80的Jaccard指数，能够评估子宫收缩与动态T2*变化之间的相关性。 AI

影响 通过提高MRI扫描的分割精度来增强医学成像分析能力。

排序理由 详细介绍新颖方法及其结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

AI模型改进动态MRI扫描中的子宫内膜分割

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Smiti Tripathy, Milauni Desai, Jordina Aviles Verdera, Jana Hutter ·

    Unsupervised Adversarial Domain Adaptation for Uterine layer Segmentation: From Labeled Cine to Unlabeled Dynamic EPI MRI

    arXiv:2608.03762v1 Announce Type: cross Abstract: Uterine peristalsis is a key physiological phenomenon responsible for various functions across the menstrual cycle, intimately linked to uterine wall microstructure. Alterations in uterine motion and tissue properties are implicat…

相关实体

相关话题