研究人员开发了一个新框架，用于在 3D 胸部 CT 扫描中准确地定位自由文本医学发现。该方法将任务解耦为两个阶段：首先，分割潜在的异常区域；然后，使用跨模态推理将这些分割区域与文本描述对齐。为了提高空间精度，该模型融入了明确的解剖学指导，例如相对坐标和肺叶信息。该方法在 ReXGroundingCT 基准测试中展示了最先进的性能，突显了将检测与推理分离对于复杂的医学视觉定位任务的有效性。 AI
影响 这项研究可能带来更准确、更具可解释性的医学影像分析 AI 工具，从而提高诊断能力。
排序理由 该集群包含一篇详细介绍特定 AI 任务新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.12602v1 Announce Type: new Abstract: Automatic voxel-level grounding of free-text findings in 3D chest Computed Tomography (CT) is critical for clinical interpretability. However, this task remains highly challenging due to the intricate spatial complexity of large 3D …
Automatic voxel-level grounding of free-text findings in 3D chest Computed Tomography (CT) is critical for clinical interpretability. However, this task remains highly challenging due to the intricate spatial complexity of large 3D volumes and the heterogeneity of free-text findi…