PulseAugur
中
实时 13:31:27
English(EN) Toward Training-Free Zero-Shot Anomaly Detection in 3D Medical Images: A Batch-Based Approach Using 2D Foundation Models

新框架使用2D模型进行3D医学异常检测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了CS3F，一种用于3D医学图像无训练零样本异常检测的新框架。该方法通过将3D体积分解为切片并使用2D视觉Transformer对其进行编码来利用现有的2D基础模型。然后，通过分析不同受试者编码特征的相似性来获得异常分数，识别出显著偏离常态的标记。该方法已在脑部MRI扫描中针对转移瘤、胶质瘤和中风等病症进行了评估，并在肺部CT扫描中进行了进一步验证，以评估其泛化能力。 AI

影响 无需特定训练数据即可在3D医学成像中进行异常检测，有潜力提高诊断能力。

排序理由 详细介绍医学成像异常检测新方法的学术论文。[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) · Tai Le-Gia ·

    面向3D医学影像的无训练零样本异常检测：一种基于2D基础模型的批处理方法

    Zero-shot anomaly detection (ZSAD) is attractive for medical imaging because clinical systems must handle heterogeneous acquisition protocols, changing patient populations, and pathologies for which annotated training data may be unavailable. Most existing zero-shot anomaly detec…

相关实体

相关话题