PulseAugur
实时 12:05:44
English(EN) Improving PET/CT-Based Whole-Body Lesion Segmentation Using Prediction Uncertainty-Augmented Models

AI通过不确定性量化改进癌症病灶分割

研究人员开发了一个新框架,用于改进全身PET/CT扫描中用于癌症分期的病灶分割。该方法集成了贝叶斯集成以减少变异性,并量化不确定性以突出潜在的错误分类区域。不确定性感知训练提高了病灶检测能力,尽管它会以精度为代价,并且一种自适应路由策略进一步优化了性能。 AI

影响 通过改进医学影像中的病灶检测和分割,提高肿瘤学诊断的准确性。

排序理由 这是一篇详细介绍医学图像分割新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 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.CV TIER_1 English(EN) · Bashirul Azam Biswas, Biratal Raj Wagle, Zhihan Yang, Marc A. Seltzer, Matthew E. Maeder, James B. Yu, Indrani Bhattacharya ·

    Improving PET/CT-Based Whole-Body Lesion Segmentation Using Prediction Uncertainty-Augmented Models

    arXiv:2606.10115v1 Announce Type: new Abstract: Accurate lesion segmentation from whole-body Positron Emission Tomography (PET)/Computed Tomography (CT) scans is essential for cancer staging and treatment planning. PET provides functional metabolic information with different radi…