.png){kind=icon}
返回
Constructive learning: a high-performance framework for fetal head circumference estimation
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-026-08293-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习方法已被应用于从超声图像中估计胎儿头围（HC）。然而，在生物医学应用中，其精度仍然有限。本文提出了一种构建式学习方法，以改进胎儿头部的分割。该方法使用B样条函数和剪枝机制，在训练过程中减少过拟合并优化网络结构。所提出的方法需要高性能计算，以训练大规模模型，并进行重复验证运行以及跨多个网络层的并行B样条计算。在超声数据集上的评估显示，与基线方法相比，该方法提高了精度（DSC为98.43%），并减少了过拟合。该方法在HC检测方面实现了2%的改进，并将过拟合风险降低了一半。
Keyword:
High-performance computing (HPC)
Fetal head circumference
Ultrasonic image
Deep neural networks
Constructive learning
Overfitting
Kolmogorov-arnold network (KAN)
期刊
T
IF:
0
论文数:
647
被引数:
0
机构
引用论文
Excessive Enterprise Social Media Use Behavior at Work: Role of Communication Visibility and Perspective of Uses and Gratifications Theory.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Multi-classification of fNIRS Signals in Four body parts Motor Imagery Tasks Measured From Motor Cortex基于运动皮层测量的四个身体部位运动想象任务的fNIRS信号多分类
PREAI
分享收藏
查看更多内容