3D Medical Imaging
PulseAugur coverage of 3D Medical Imaging — every cluster mentioning 3D Medical Imaging across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新AI框架通过缓解假阴性来改进3D医学影像分析
研究人员开发了多模态语义感知对比学习（MseaCL）框架，旨在提高AI模型在3D医学影像分析中的准确性。该方法通过整合放射学报告中的语义相似性来指导学习过程，解决了传统对比学习中的“假阴性”问题。当作为预训练阶段应用时，MseaCL已显示出显著的改进，包括儿童脑肿瘤分子分类AUC提高了22.6%，凸显了其在更稳健的临床应用中的潜力。
-
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…
-
新基准测试视觉-语言模型在3D肿瘤扫描上的表现
研究人员开发了一个自动化流程，用于创建基准，以评估视觉-语言模型（VLMs）在3D医学影像（特别是肿瘤学领域）上的表现。该流程直接从放射学报告和3D扫描生成问答数据集，产生模式衍生和LLM生成的两种问题。在四个癌症队列上的评估显示，目前没有单一的VLM占主导地位，并且模型的表现因数据集而异，一些模型在某些扫描上的表现甚至优于（或不亚于）在不看图像的情况下进行评估的模型。