PulseAugur
中
实时 21:52:55
English(EN) Catching MRI outliers: unsupervised detection and localization of MRI artefacts and clinical anomalies using deep learning

深度学习框架检测MRI异常，用于放射治疗

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个无监督深度学习框架，用于检测和定位MRI扫描中的异常，旨在改进放射治疗工作流程。该两阶段系统首先对MRI切片进行分词，然后对正常分词的分布进行建模以识别偏差。该方法在盆腔MRI上实现了0.97的AUC，在脑部MRI上实现了0.81的AUC，显示出高准确性，并在异常定位方面表现出强空间一致性。 AI

影响 通过为放射治疗工作流程提供质量控制层，增强了AI在医学影像中的可靠性。

排序理由 学术论文，详细介绍了用于医学影像分析的新深度学习方法。[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 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Mustafa Kadhim, Viktor Rogowski, Emilia Persson, Camila Gonzalez, Andr\'e Haraldsson, Sofie Ceberg, Mikael Nilsson, Malin K\"ugele, Sven B\"ack, Christian Jamtheim Gustafsson ·

    Catching MRI outliers: unsupervised detection and localization of MRI artefacts and clinical anomalies using deep learning

    arXiv:2605.24609v1 Announce Type: cross Abstract: Artificial intelligence is increasingly integrated into radiotherapy workflows, yet such pipelines remain vulnerable to out-of-distribution image data that may introduce unexpected behavior in clinical tasks. Deep learning-based a…

相关实体

相关话题