- 综合排序
- 最热优先
- 最新优先
基于改进YOLOv8算法的胰腺分割检测 医学图像分割识别
正在开发一个基于改进YOLOv8算法的胰腺分割检测系统，并且已经对模型进行了多项优化以提高其性能。下面是对这些改进点以及数据集使用的详细说明和扩展。 -C2f_CBAM-backbone.yaml在Backbone的C2f层中添加了CBAM（ConvolutionalBlockAttentionModule）注意力机制，这种机制有助于模型更加专注于胰腺区域的特征提取 ，从而提升分割效果。 通过上述改进措施，您的胰腺分割检测系统有望在准确性和效率方面取得显著进步，这对医学图像分析领域来说是一个重要的进展。希望这个扩展说明能够为您提供一些指导和灵感。
6300编辑于 2026-06-01- 来自专栏作图丫
胰腺癌多组学分析
由CNV和SNV引起的基因变异在胰腺癌的发生发展过程中较为常见。CNV与人类种群多样性及神经母细胞瘤、2型糖尿病、肥胖等多种疾病有关。 分析四个胰腺癌亚型的免疫浸润情况。计算6种免疫细胞的免疫评分。以上结果显示，iC1亚群可能处于免疫增强状态，可能有助于对iC1亚群的预后。 最后，筛选出三个与胰腺癌预后相关的基因。 三个预后相关基因（GRAP2、ICAM3和A2ML1）及其与CNV和MET的相关性。 8. 胰腺癌亚型间突变谱的比较 进一步分析四个亚型的突变谱。 以上结果提示，基因组不稳定对胰腺癌的预后有重要影响，高突变率和CNV异常可能导致预后差。 小编总结 本研究整合胰腺癌CNV、MET和mRNA表达数据进行了系统分析，发现CNV和MET可能会单独或同时影响基因表达。建立4个临床相关胰腺癌分子亚型，并识别出3个新的生物标志物。
81131编辑于 2022-03-29 - 来自专栏单细胞天地
跨物种单细胞分析胰腺导管癌
摘要 癌症相关成纤维细胞（Cancer-associated fi broblasts， CAF）在胰腺导管癌Pancreatic ductal adenocarcinoma (PDAC)进展和抗药性中发挥重要作用 单细胞分析揭示PDAC复杂性 6个未治疗的PDAC患者肿瘤组织和其中2个患者的邻近正常胰腺组织，总共21,200个细胞（A）。识别出高度可变的基因后，使用t-SNE将数据集嵌入到二维空间中。 细胞分类中，大部分为免疫细胞（89%），成纤维细胞只占1.75%，此外还有胰腺腺泡细胞和导管细胞。每类的标记基因与文献中已知marker对照（C），相互验证。 ? KPC肿瘤移植到胰腺MHCⅡ-EGFR敲入的小鼠，让其长PDAC。证明存在三种亚型。对移植后的APCs排序，看是否可以呈递抗原，apCAFs可以呈递抗原，而myCAFs和iCAFs不能。 意义 胰腺导管癌中成纤维细胞的异质性对于针对性治疗促进癌症发生的CAFs有重要作用。该研究鉴定了表达II类MHC的CAFs，可以呈递抗原给CD4+ T细胞，从而调控胰腺癌的免疫反应
1.4K21发布于 2020-03-30 - 来自专栏DrugOne
Nat Commun | 瞄准“癌王”诊断难题，基于血浆cfRNA的机器学习模型可识别胰腺癌及其它胰腺病变
在众多癌症中，胰腺癌有着“癌王”的称号，具有发病率高、复发率高、死亡率高、侵袭性极强的特点。胰腺导管腺癌（PDAC）是最常见、最致命的胰腺癌类型，由于缺乏早期症状，大多数患者直到晚期才被诊断出来。 近期，王红阳等团队利用NGS从胰腺癌患者中获取血浆cfDNA片段化、末端基序、核小体足迹（NF）和拷贝数改变（CNA）特征，建立了胰腺癌的早期检测模型（PCM评分）和预后模型（PCP评分），该模型在区分早期胰腺癌患者和非癌症对照者方面表现优异 那么除cfDNA外，血浆中的cfRNA是否也能用于胰腺癌检测，识别PDAC与复杂的中间病理状态呢？ 研究设置了三个实验：PDAC和良性诊断的样本，胰腺炎和IPMN（胰腺导管内乳头状粘液性肿瘤）样本，所有可用的样本。 该研究新发现的cfRNA生物标志物可以将PDAC与胰腺的中间病理状态区分开来，包括所有不同的诊断，如胰腺的良性状况、慢性和急性胰腺炎、IPMN和其他癌症类型。
30210编辑于 2025-09-02 - 来自专栏计算机视觉life
超像素、语义分割、实例分割、全景分割
图像分割中的一些常见的术语有：superpixels（超像素）、Semantic Segmentation（语义分割）、Instance Segmentation（实例分割）、Panoptic Segmentation （全景分割）。 继续往下看吧 Instance Segmentation（实例分割） 实例分割方式有点类似于物体检测，不过物体检测一般输出的是 bounding box，实例分割输出的是一个mask。 实例分割和上面的语义分割也不同，它不需要对每个像素进行标记，它只需要找到感兴趣物体的边缘轮廓就行，比如下图中的人就是感兴趣的物体。该图的分割方法采用了一种称为Mask R-CNN的方法。 Panoptic Segmentation（全景分割） 最后说说全景分割，它是语义分割和实例分割的结合。
1.9K50发布于 2019-05-27 - 来自专栏全栈程序员必看
语义分割 实例分割 全景分割_语义分割应用场景
之前看过一篇使用分割思想进行目标检测，所以这里补习下一些分割相关的基础知识。这里重点说下语义分割、实力分割和全景分割的区别。 1 、semantic segmentation（语义分割） 通常意义上的目标分割指的就是语义分割，图像语义分割，简而言之就是对一张图片上的所有像素点进行分类 语义分割（下图左）就是需要区分到图中每一点像素点 相对目标检测的边界框，实例分割可精确到物体的边缘；相对语义分割，实例分割需要标注出图上同一物体的不同个体（羊1，羊2，羊3…） 3、Panoramic segmentation（全景分割） 全景分割是语义分割和实例分割的结合 跟实例分割不同的是：实例分割只对图像中的object进行检测，并对检测到的object进行分割，而全景分割是对图中的所有物体包括背景都要进行检测和分割。 最后放上一张总结的图片 参考文章： 图像分类、目标检测、语义分割、实例分割和全景分割的区别 (科普)——实例分割、语义分割、全景分割的区别 发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn
2.3K10编辑于 2022-09-25 - 来自专栏人工智能前沿讲习
图像分割最新资料汇总（语义分割、实例分割、视频分割、医疗图像分割、自动驾驶…）
目前，研究者们最为关注的研究方向主要有三个： 语义分割（semantic segmentation） 实例分割（instance segmentation） 全景分割（panoptic segmentation ，还包含了实例分割、医学图像分割和卫星图像分割等资料，可谓是图像分割领域相当全面的资料汇总，主要包含以下内容： 语义分割 实例分割 半监督分割 RNN和GAN 图模型 常用数据集 Benchmark 标注工具 评价指标和损失函数 医学图像分割 卫星图像分割 视频分割 自动驾驶 ... 医疗图像分割 ---- 提供了包括数据集、网络模型、各种深度学习框架下的实现、论文等等非常丰富的内容 ? 卫星图像分割 ---- ? 视频分割 ---- 这部分的资料提供的不是很多 ? 自动驾驶 ---- 提供了几个比较新的和自动驾驶领域图像分割相关的开源项目，非常不错 ?
2.2K22发布于 2020-05-11 - 来自专栏作图丫
胰腺导管腺癌免疫细胞浸润及其临床意义
导语 GUIDE ╲ 导管腺癌及其亚型是最常见的胰腺肿瘤，占胰腺肿瘤的85%～90%。大多数发展中国家的发病率为1～10人/万。由于胰腺癌的生存率极低，发病率和死亡率几乎是相等的。 Fig.6 小编总结 作者通过CIBERSORT评估了胰腺导管腺癌（PDAC）和para-PDAC组织中免疫细胞的水平，此外还评估了免疫反应的经典信号通路是否参与了免疫细胞的浸润，从而帮助我们更深入的了解免疫微环境 ，并为胰腺癌的诊断和治疗提供潜在目标 END
82630编辑于 2022-03-29 - 来自专栏单细胞天地
单细胞+空间揭示胰腺导管腺癌的组织结构
将多模态交叉分析应用于原发性胰腺肿瘤，作者发现导管细胞、巨噬细胞、树突状细胞和癌细胞的亚群具有空间受限的富集，并与其他类型的细胞有不同的共富集。 一、单细胞测序分析：揭示胰腺导管腺癌单细胞亚群 作者对两个病人的新鲜组织同时进行了配对的单细胞与空间转录组数据分析（图a）：PDAC-A and PDAC-B。 （normal acini-rich pancreatic tissue）（图2a和补充图3a-d）； PDAC-B组织切片（图2b)：不包含正常的胰腺组织，但癌症附近存在间质间隙。 如与胰腺腺泡等细胞密度高的区域相比，结缔组织密集（细胞含量较低）区的每个spot细胞数量较低。每个spot检测到大约2400个UMIs和1000个基因。 四、导管细胞亚群：亚群细分以及在空间组织中的定位 单细胞数据结果显示胰腺外分泌系统的两种主要组成细胞类型之一为表达KRT19的导管细胞，作者对这类细胞进行了细分。
64910编辑于 2024-05-11 - 来自专栏生信技能树
学员的转录组实战笔记之胰腺癌差异
第一个数据集是胰腺癌的癌症和癌旁或者其它对照组织差异，就12个样品，处理起来比较方便，第二个数据集样品数量稍微有一点点多，后面有机会再处理它。
50820编辑于 2023-09-04 - 来自专栏单细胞天地
胰腺的腺泡和导管细胞的转录水平差异
胰腺是一个功能复杂的器官，它由多种不同的细胞类型组成，这些细胞在内分泌和外分泌功能中发挥着重要作用。在单细胞分析中，研究人员已经能够识别和区分多种胰腺细胞亚群。 星状细胞（Stellate cells或Fibrotic cells）： 这些细胞在胰腺组织中起到支持作用，也可能参与胰腺纤维化过程。 神经细胞和神经内分泌细胞： 参与调节胰腺的神经和激素信号传递。 干细胞/祖细胞（Stem/Progenitor cells）： 具有分化为多种胰腺细胞类型的潜能。 肿瘤细胞（Cancer cells）： 在胰腺癌等疾病中，研究人员可以识别肿瘤细胞及其亚群。 这些信息对于研究胰腺疾病的发病机制、开发新的治疗方法以及理解胰腺在健康和疾病中的作用至关重要。
48610编辑于 2024-05-31 - 来自专栏最新医学影像技术
腹腔器官分割2021——FLARE21
（2）不仅关注分割的准确性，而且关注分割的效率，这与实际的临床实践和要求是一致的。 要求参与者开发可同时对肝脏，肾脏，脾脏和胰腺进行分割的分割方法，在此将对准确性和效率进行排名评估 二、数据介绍 在其许可许可下，部分数据集改编自MSD（肝脏，脾脏，胰腺），NIH胰腺和KiTS。 注释包括四个器官：肝脏（标签= 1），肾脏（标签= 2），脾脏（标签= 3）和胰腺（标签= 4）。可以看到训练数据与验证数据和测试数据的来源是不同的。 三、技术方案 baseline方案首先采用粗分割网络将腹部四个器官大致分割出来，然后再采用细分割网络再对腹部器官再进行不同组织分割，这样可以减少因为降采样导致的分割误差。 验证数据上分割结果，可以看到有错误分割和漏分割。
1.1K30编辑于 2022-08-20 - 来自专栏有三AI
【图像分割应用】医学图像分割（二）——心脏分割
这是专栏《图像分割应用》的第2篇文章，本专栏主要介绍图像分割在各个领域的应用、难点、技术要求等常见问题。 相比较脑区域分割，医学图像中的心脏分割问题要更复杂，因为心脏是一个不停运作的器官，其形状也会在运动过程中发生变化。本文我们就来看看医学图像分割之心脏分割。 这些区域由于本身的特性，其难易程度和分割手段也存在不同。通常来讲，普适性的心脏分割算法能够实现基本的区域分割，但是要实现精准分割还是需要对单独区域进行单独处理。 心室分割 基于FCN网络结构实现左、右心室分割： Phi V. T.. 总结 本文简要介绍了医学图像分割应用领域内的心脏分割，包括心室分割和全心脏分割。在进行任务分析和难点解读后，给出了几个应用范例。下期我们一起来看一下医学领域分割的最后一个子方向：肿瘤分割。
4.3K30发布于 2019-07-23 - 来自专栏有三AI
【图像分割应用】医学图像分割（三）——肿瘤分割
这是专栏《图像分割应用》的第3篇文章，本专栏主要介绍图像分割在各个领域的应用、难点、技术要求等常见问题。 肿瘤的分割是医学图像分析领域的一个重要内容，相比较前面提到过的脑区域分割和心脏分割，肿瘤分割任务由于个体间形状、纹理等差异大，从而实现更加困难。本文就来分析一下，肿瘤分割任务。 (1) 基于阈值的分割方法 基于阈值的分割方法是图像分割中最简单、高效的方法，也是最基础的方法之一。这种方法通过对图像内设置全局或局部阈值，实现灰度图像的二值化，从而实现前背景分割，即目标区域分割。 但是，由于皮肤病变的颜色、纹理多种多样，基于区域的分割方法同样难以实现肿瘤分割。 ? 皮肤病变多样性示例 (3) 基于边界的分割方法 基于边界的分割方法主要依据边缘来区分个体与个体，从而实现分割。 下期我们对医学图像分割问题做一个总结，之后开启《图像分割应用》专栏 的第二部分。
4.4K32发布于 2019-07-23 - 来自专栏有三AI
【图像分割应用】医学图像分割（一）——脑区域分割
医学图像分割主要处理的是医学领域所涉及到的各种图像的分割问题，比如常见的核磁共振（MRI）扫描图像。其主要任务是，从这些医学图像中分割出兴趣区域，比如特定器官部位、兴趣目标（如肿瘤）等。 这些因素导致了医学图像分割的难度和其自身的算法设计特点。 ? 大脑区域及形状个体差异示意图 下面我们以脑区域分割为例，讨论一下该任务的难点，并通过一个应用实例来进一步理解医学图像中的脑区域分割问题。 将脑部区域与非脑部区域分离 脑部区域分割中的第一个难点是将脑与非脑（如头骨）区域区分开。在MRI图像的分割中，脑组织的亮度是一个非常重要的特征。 脑组织预分割（前背景分割） 为了实现相对准确的分割，有几种常用的MRI数据预处理手段，其中一个重要操作是背景体元移除。 当然，这种组合只是提供了一种思路，如何将基于亮度的分割方法与空间信息相结合。 ? 4 应用实例 有了上述分析，下面给出一个具体的分割实例。
4K21发布于 2019-07-28 - 来自专栏深度学习项目实战快速入门
目标分割技术-语义分割总览
目标分割技术-语义分割总览目标分割是计算机视觉领域的一个重要任务，旨在从图像或视频中准确地分割出特定的目标或对象。 与目标检测关注物体位置和边界框不同，目标分割要求精确地识别并标记目标的每个像素，实现对目标的像素级别理解。定义我们可以把目标分割拆解为两个技术实现部分：一为语义分割、二为实例分割。 但是，语义分割不区分属于相同类别的不同实例，也就是说如果存在目标物体重叠的情况，语义分割只会识别为一个共同的像素目标：而实例分割需要区分开来：那么我们再对图像分割总体定义了解：在计算机视觉领域，图像分割 SegmentationClass中是语义分割的标注信息SegmentationObject中是实例分割的标注信息实现技术了解以上基本概念之后，我们可以来了解一些实现目标分割的技术了，依然是分为两块：语义分割和实例分割来讲解 SegNetSegNet是一种用于图像分割任务的深度学习架构，由剑桥大学的研究团队于2015年提出。SegNet主要专注于语义分割，即将图像分割成不同的语义区域。
1.8K41编辑于 2024-02-01 - 来自专栏计算机视觉战队
分割算法——可以分割一切目标（各种分割总结）
这项工作是迈向对视觉世界有广泛理解的实例分割模型的第一步。 ---- 在正式细说本次分割技术之前，还是简单说下分割的事，有一个简单的引言和大家分享下，没有兴趣的您可以直接跳过，阅读关键技术部分，谢谢！ 目标检测器已经变得更加精确，并获得了重要的新功能。 会有很多人问：什么是语义分割？ 语义分割其实就是对图片的每个像素都做分类。其中，较为重要的语义分割数据集有：VOC2012 以及 MSCOCO 。 随后的语义分割模型基本上都采用了这种结构。除了全连接层，语义分割另一个重要的问题是池化层。池化层能进一步提取抽象特征增加感受域，但是丢弃了像素的位置信息。 主要的贡献： 为语义分割引入了 端到端 的全卷积网络，并流行开来 重新利用 ImageNet 的预训练网络用于语义分割 使用 反卷积层 进行上采样 引入跳跃连接来改善上采样粗糙的像素定位 比较重要的发现是
3.5K40发布于 2018-10-23 - 来自专栏全栈程序员必看
实例分割简述_图像实例分割
针对图像目标我们可以利用目标检测算法将其框出来 也可以利用语义分割算法将属于猫的像素标记出来 存在的弊端： 1、目标检测可以区分个体但不够准确 2、语义分割可以划分像素但不可以区分个体 实例分割 0、实例分割可以解决以上问题 1、利用先验框获得建议框 2、利用建议框获得预测框 3、利用预测框获得语义分割结果 发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn
1.6K50编辑于 2022-09-23 - 来自专栏全栈程序员必看
语义分割和实例分割概念
物体识别和检测（object recognition and detection） 识别图像中存在的内容和位置（通过边界框）； 3.语义分割（semantic segmentation） 识别图像中存在的内容以及位置 二、语义分割类型 语义分割是计算机视觉领域中的问题，将一些原始数据（例如，平面图像）输入并将它们转换为具有突出明显的感兴趣区域。 分为： （1）标准语义分割（standard semantic segmentation） （2）实例感知语义分割（instance aware semantic segmentation） 其中，标准语义分割又称为全像素语义分割 （full-pixel semantic segmentation），是它将每个像素分类为属于对象类的过程； 实例感知语义分割，是标准语义分割的子类型，它将每个像素分类为属于对象类以及该类的实体ID； 例如： 语义分割认为他们都是人； 实例分割认为他们是不同的人，不同的对象。
82430编辑于 2022-10-02 - 来自专栏全栈程序员必看
语义分割步骤_实时语义分割
深度学习发展到现在，各路大神都发展出了各种模型。在深度学习实现过程中最重要的最花时间的应该是数据预处理与后处理，会极大影响最后效果，至于模型，感觉像是拼乐高积木，一个模块一个模块地叠加，拼成最适合自己的模型。
87930编辑于 2022-09-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号