首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

TMI | Inf-Net:自动COVID-19 肺部CT图像感染区域分割方法

今天给大家介绍的是阿联酋阿布扎比人工智能研究院范登平教授课题组发表在“IEEE T MED IMAGING”上的一篇文章” Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images”。应对COVID-19的传统医疗策略能力有限,作者提出了一种新的COVID-19肺部感染模型Inf-Net用于自动识别CT胸部切片感染区域,克服了CT图像分割的感染区域特征高变异性、感染和正常组织之间低灰度值对比以及数据匮乏的问题。作者使用平行部分解码器聚合高层次的特征并且产生全局图,用隐式的逆向注意力和显示的边缘注意力建模边界并且增强表示。此外作者创建基于一种随机选择传播策略的半监督分割框架解决了缺失标签的问题,提高了学习能力并且实现了更高的性能。作者通过实验表明Inf-Net优于绝大多数尖端的分割模型并且提高了最先进的水平并且有着良好的使用前景。

01

单细胞转录组基本概念(一)

普通转录组的思路也可以应用到单细胞转录组。普通转录组相当于把一群细胞或一个器官混合到一起去提取RNA,获得的是每个细胞中RNA表达量的平均值。单细胞是把每个细胞单独分出来去提取RNA,然后建库测序,获得是是单个细胞的表达值。在每个细胞里面基因的表达具有随机性,且存在异质性。而且这些细胞群中会存在不同类型的细胞,尤其是当我们对整个组织或者器官进行测序时,它们本身就是由不同类型的细胞组成的,而我们用普通转录组来测序,相当于掩盖住了这些不同的细胞类型的差异,展示的是整个组织的平均的状态,所以说单细胞从这个来看跟普通转录组就不同在是用一个细胞测,不是用一堆细胞测。

04
领券