PulseAugur
中
实时 10:06:44
English(EN) Comprehensive framework for evaluation of deep neural networks in detection and quantification of lymphoma from PET/CT images: clinical insights, pitfalls, and observer agreement analyses

新框架评估AI在医学扫描中检测淋巴瘤的能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新框架，用于评估用于从PET/CT图像中分割淋巴瘤的深度神经网络。该框架通过纳入分布外测试并将模型性能与人类专家进行比较，解决了当前研究的局限性。该研究在一个大型数据集上评估了四种网络——ResUNet、SegResNet、DynUNet和SwinUNETR——发现网络在较大、更强的病灶上表现最佳，这与人类观察者相似。目标是提高自动分割的临床相关性，以改善淋巴瘤患者的治疗决策。 AI

影响 这项研究旨在提高AI在淋巴瘤检测中的临床效用，可能为患者带来更好的治疗决策。

排序理由 该集群包含一篇研究论文，详细介绍了用于评估医学图像分析中AI模型的新框架。[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 →

新框架评估AI在医学扫描中检测淋巴瘤的能力

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Shadab Ahamed, Yixi Xu, Sara Kurkowska, Claire Gowdy, Joo H. O, Ingrid Bloise, Don Wilson, Patrick Martineau, Fran\c{c}ois B\'enard, Fereshteh Yousefirizi, Rahul Dodhia, Juan M. Lavista, William B. Weeks, Carlos F. Uribe, Arman Rahmim ·

    用于PET/CT图像淋巴瘤检测和量化的深度神经网络评估综合框架：临床见解、陷阱和观察者一致性分析

    arXiv:2311.09614v5 Announce Type: replace-cross Abstract: This study addresses critical gaps in automated lymphoma segmentation from PET/CT images, focusing on issues often overlooked in existing literature. While deep learning has been applied for lymphoma lesion segmentation, f…

相关实体

相关话题