3DSlicer
PulseAugur coverage of 3DSlicer — every cluster mentioning 3DSlicer across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
儿童医院使用 NVIDIA AI 在几秒钟内模拟儿童心脏
费城儿童医院（CHOP）正在利用开源 AI 工具，特别是 NVIDIA 联合创办的 MONAI 框架，在几秒钟内创建儿童心脏的详细 3D 模型。这项技术将建模所需时间从几小时大幅缩短到几秒钟，从而能够为先天性心脏缺陷提供更精确、更安全的心脏护理。这项进展正从研究过渡到标准的临床实践，已有 20 多家儿童医院采用了类似的计划，CHOP 旨在将其应用扩展到其他医学领域。
-
新的P3CA方法探测视觉基础模型的嵌入
研究人员开发了P3CA，一种用于解释视觉基础模型生成的高维空间嵌入的新颖方法。这种编码器无关的技术允许通过估计用户定义空间区域内的归一化和主协方差方向来对特征张量进行局部探测。该方法已在自然图像、医学病理学嵌入和空间转录组学数据上进行了评估，并通过一个名为EmbedVision的交互式工作流程实现，证明了其揭示局部结构和改善提示匹配判别能力的能力。
-
AI框架增强颅内动脉瘤检测和分割 · arXiv论文
研究人员开发了一种新颖的多任务学习框架，用于颅内动脉瘤的分类和分割。该框架同时对13个解剖位置和四种成像模态的动脉瘤和血管进行多标签分类和多类别分割。该系统结合了2D三轴感兴趣区域提取和3D nnU-Net骨干网络，在RSNA 2025颅内动脉瘤检测挑战赛中获得第二名。该方法的代码和模型权重均公开可用。
-
新框架量化宫颈癌治疗中的放疗剂量不确定性
研究人员开发了IMPACT-DoseAcc，一个用于估计宫颈癌自适应放疗（ART）中累积放疗剂量的框架。该系统量化了图像配准和分割产生的不确定性，提供了概率剂量-体积直方图。该框架证明了配准不确定性与几何误差之间存在很强的相关性，实现了靶体积的高覆盖率并稳定了剂量估计。
-
深度学习辅助影像组学特征选择以检测肺癌
研究人员开发了一个名为梯度损失递归特征消除（GL-RFE）的新框架，以改进用于肺癌分期检测的影像组学特征选择。该方法利用深度神经网络的梯度敏感性分析，从高维医学影像数据中识别出最具影响力的特征。GL-RFE框架成功识别出15个顶级特征，并使用这些特征训练了一个分类器，在区分早期和晚期肺癌分期方面达到了90%以上的准确率。