实体
3D medical images
3D medical images
PulseAugur coverage of 3D medical images — every cluster mentioning 3D medical images across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新框架改进3D医学图像自监督学习
研究人员开发了一个名为\method的新框架，用于3D医学图像的自监督学习，解决了随机子体积采样存在的局限性。这种新方法\method在选择用于训练的子体积时，优先考虑解剖学相关性、信息量和多样性。实验表明，与传统的随机裁剪方法相比，\method，特别是其轻量级\lite变体，能够持续提升下游迁移性能。
-
新的SLIP框架大幅降低3D医学图像分割延迟
研究人员开发了SLIP，一种用于交互式3D医学图像分割的新型框架，旨在降低延迟并提高响应速度。SLIP将图像编码与提示引导的细化分离开来，允许对图像特征进行一次计算后跨补丁重用。这种方法支持可逆提示，并保持交互感知的分割状态，从而显著降低交互延迟。在一项受控用户研究中，SLIP在各种临床标注任务中的分割性能、响应速度和用户偏好方面均优于nnInteractive等现有方法。
-
新的正常引导技术提升了3D医学图像分析中的AI性能
研究人员开发了一种名为正常引导（Normal Guidance）的新型正则化技术，用于3D医学图像分类中基于注意力机制的多实例学习（MIL）。该方法鼓励学习到的注意力分布遵循钟形曲线，旨在提高弱监督设置下的切片级预测准确性。在三个数据集上对超过400万个2D切片进行的实验表明，正常引导显著增强了基于注意力机制和基于Transformer的MIL方法的切片级定位能力，同时在整个扫描分类中保持了有竞争力的性能。