PulseAugur
中
实时 08:53:56
English(EN) CMCNet: Aligning Ultrasound Image Embeddings with Textual TI-RADS Representations for Fine-Grained Thyroid Classification

新型AI模型CMCNet利用超声和文本嵌入增强甲状腺结节分类

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了CMCNet，这是一种新颖的深度学习模型，旨在利用超声图像改进甲状腺结节的分类。该模型将图像嵌入与ACR TI-RADS框架的文本表示对齐，该框架按风险级别对结节进行分类。CMCNet利用中心-边缘对比损失来提高数据效率和鲁棒性，在不平衡数据集上表现优于现有方法。附带的STN数据集包含600个带有详细注释的甲状腺结节，已公开提供。 AI

影响 这项研究可能为临床环境中甲状腺结节提供更准确、更具数据效率的诊断工具。

排序理由 这是一篇研究论文，详细介绍了一个用于特定分类任务的新模型和数据集。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

新型AI模型CMCNet利用超声和文本嵌入增强甲状腺结节分类

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Bingxin Yu, Xueli Wang, Jerry Zhou, Wenyan Wang, Li Wen, Lan Huang, Xin Feng, Fengfeng Zhou, Kewei Li ·

    CMCNet：将超声图像嵌入与文本TI-RADS表示对齐，实现细粒度甲状腺分类

    arXiv:2608.13939v1 Announce Type: cross Abstract: Ultrasound is the primary imaging modality for assessing thyroid nodules, and the ACR TI-RADS framework standardizes diagnosis through five ultrasound feature categories that are aggregated into five risk levels (TR1-TR5). Althoug…

相关实体

相关话题