实体
3D medical image understanding
3D medical image understanding
PulseAugur coverage of 3D medical image understanding — every cluster mentioning 3D medical image understanding across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
新的CA-GCL框架增强三维医学图像理解能力
研究人员开发了一个名为CA-GCL的新框架，以提高对三维医学图像的理解能力。该方法解决了文本嵌入过于相似的问题，使得区分不同解剖结构变得困难。CA-GCL使用全局对比目标来分离这些嵌入，并采用临床感知文本增强策略来提高对不完整描述的鲁棒性。在CT-RATE和Rad-ChestCT数据集上的评估表明，CA-GCL在零样本异常检测方面与现有方法相当，并且在面对提示变化时显著更稳定。
-
新的CA-GCL框架增强了三维医学图像理解能力
研究人员开发了一个名为CA-GCL的新框架，通过视觉语言预训练来改进三维医学图像理解。现有方法常常面临文本嵌入过于相似的问题，导致其在临床应用中不可靠。CA-GCL通过使用全局对比目标来区分解剖类别，并采用文本增强策略来提高对不完整描述的鲁棒性，从而解决了这一问题。评估结果表明，CA-GCL在零样本异常检测方面优于当前范式，并在跨数据集和提示变化方面表现出更好的泛化能力。