3d Ct
PulseAugur coverage of 3d Ct — every cluster mentioning 3d Ct across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的分类法组织了3D CT图像生成方法
研究人员开发了一种新的分类法，用于对3D计算机断层扫描（CT）图像的生成方法进行分类。该框架根据所使用的外部知识类型、整合该知识的范式以及所采用的生成架构来组织现有方法。该分类法的目的是为快速发展的条件3D CT生成领域提供一个统一的视角，促进对方法的系统比较，并确定未来研究的领域。
-
3D CT基础模型在新基准测试中表现各异
一项评估十个冷冻3D CT基础模型的新基准研究显示，没有一个模型能在所有诊断环境中持续优于其他模型。性能高度依赖于评估方法和异常的性质，较大的、高对比度的发现更容易被检测到。研究表明，虽然视觉-语言对齐可以提高性能，但一个简单的监督编码器也具有竞争力，未来的进步可能需要区域或病灶级别的预训练，以更好地表示小的、低对比度的异常。
-
新的ORCA方法为AI模型压缩3D CT视觉令牌
研究人员开发了ORCA（ORgan-Centroid Aggregation），一种用于压缩3D CT扫描视觉令牌的新颖方法。这种无需训练的方法通过器官引导合并相邻令牌，并结合质心空间编码以保留解剖信息。在相似的令牌预算下，ORCA的性能始终优于现有的压缩方法，显著减小了下游视觉语言模型的KV缓存大小和处理时间。ORCA的代码已在Hugging Face上发布。
-
新AI框架为卵巢癌生成合成3D CT扫描
研究人员开发了OvESyn，一个用于生成卵巢癌合成3D CT扫描的新颖框架。该方法独一无二，因为它不需要原始放射学报告，而是使用影像描述符和临床元数据来条件化一个潜在扩散模型。该框架在493名患者身上进行了评估，在分布和强度保真度以及覆盖率方面表现出色，突显了由编码器适应控制的权衡。
-
LETT-NeXt模型通过RECIST引导增强3D CT病灶分割
研究人员开发了LETT-NeXt，这是一种轻量级模型，旨在通过RECIST标记进行CT扫描中的3D病灶分割。与传统的2D RECIST直径测量相比，该模型旨在提供更全面的病灶范围3D描述。LETT-NeXt将RECIST信息整合为提示通道，并利用MedNeXt-v2架构进行预测，在CVPR 2026泛癌CT图像分割基础模型竞赛中取得了有竞争力的结果。
-
新的AI方法提高了3D医学影像分析的效率和准确性 · 跟踪7个来源
研究人员正在开发新方法，以提高3D医学影像视觉语言模型（VLM）的效率和准确性。MedPruner引入了一个无需训练的框架，用于修剪3D医学影像中的冗余token，在保持性能的同时显著降低计算负荷。另一种方法，在“疾病中心视觉语言预训练”论文中详细介绍，利用混合CNN-ViT编码器和疾病级别对比学习，以更好地将CT扫描中的视觉特征与特定疾病对齐。GreenRFM专注于放射学基础模型的资源高效预训练，仅需最少的GPU资源，并展示了强大的…
-
新的E-MRL框架通过基于事实的AI推理增强3D肿瘤分析
研究人员开发了一个名为E-MRL的新强化学习框架，以提高使用视觉语言模型（VLMs）的3D肿瘤分析的准确性。传统方法通常优先考虑文本保真度而非视觉基础，这会导致幻觉。E-MRL通过将生成过程公式化为马尔可夫决策过程来解决这个问题，该过程包括识别和验证3D CT数据中的关键证据切片。这种方法确保诊断报告基于可验证的视觉证据，与现有方法相比，显著减少了幻觉并提高了诊断准确性。
-
新的TIF-GRPO框架提高了医学AI影像分析的准确性
研究人员开发了一个名为轨迹积分反馈GRPO（TIF-GRPO）的新框架，以提高医学视觉语言模型（VLMs）在分析3D计算机断层扫描（CT）图像时的准确性。当前模型通常优先优化语言流畅性而非临床正确性，从而导致错误。TIF-GRPO通过使用一个名为临床异常基准底物（CABS）的结构化系统来解决这个问题，以确保模型专注于事实性的临床细节，从而增强医学影像分析中的异常检测和临床准确性。