English(EN) Bound-Aware Per-Organ Recall Risk Control for Multi-Organ CT Segmentation under Clinical Domain Shift

新方法增强多器官CT分割的风险控制

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-20 04:00

研究人员开发了一种使用无分布风险控制来控制多器官CT分割风险的新方法。该方法校准了预训练的nnU-Net模型的每器官阈值，并审计其向新数据集的可迁移性。研究发现，虽然AMOS控制方法是成功的，但在迁移后，几个器官超出了可接受的风险阈值，凸显了医学影像领域迁移的挑战。 AI

影响这项研究可能通过提高医学影像分析的准确性和可信度，从而带来更可靠的医疗保健领域AI驱动的诊断工具。

排序理由该项目是一篇学术论文，详细介绍了一种新的医学图像分割方法。[lever_c_demoted from research: ic=1 ai=1.0]

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

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Souraj Adhikary, Negar Chabi, Andre Mastmeyer · 2026-08-20 04:00

临床领域迁移下多器官CT分割的边界感知逐器官风险控制

arXiv:2608.18193v1 Announce Type: cross Abstract: Distribution-free risk control adds organ-specific recall guarantees to frozen segmentation. We calibrate per-organ thresholds for an AMOS-trained nnU-Net, audit transfer to RAOS, and estimate local re-certification cost using cas…