Académie des Inscriptions et Belles-Lettres
PulseAugur coverage of Académie des Inscriptions et Belles-Lettres — every cluster mentioning Académie des Inscriptions et Belles-Lettres across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架利用纵向MRI扫描增强阿尔茨海默病诊断
研究人员开发了Parcel2Progression (P2P)，一个新颖的纵向框架，旨在利用结构MRI扫描改进阿尔茨海默病诊断。P2P通过采用一个引导图谱的区域编码器来表示3D扫描，以及一个整合不规则、长期患者数据的纵向Transformer来解决计算限制。该方法提供区域特定的可解释性，并能有效地随着扫描数量进行扩展，在预测轻度认知障碍向阿尔茨海默病转化以及区分阿尔茨海默病与认知正常个体方面优于现有方法。该框架还展示了在异常检测和泛化…
-
ProgFormer: Hierarchical Voxel Diffusion Transformer for Brain MRI Prediction
研究人员开发了ProgFormer，一种新颖的层次化体素空间扩散Transformer，用于预测未来的脑部MRI扫描。该模型通过采用双路径方法来应对细微的纵向变化挑战：粗略路径模拟整体大脑结构和纵向上下文，而精细路径则优化体素级细节。ProgFormer直接在体素空间中运行，避免了潜在空间压缩造成的信息丢失，并通过条件流匹配实现端到端预测。在ADNI、AIBL和OASIS基准上的实验表明，与现有最先进方法相比，其性能更优。
-
新型NITROGEN Transformer模型增强阿尔茨海默病预测能力
研究人员开发了NITROGEN，一种新颖的、无需插补的Transformer模型，旨在从异构临床数据中改进阿尔茨海默病的预测。该模型通过联合建模患者内部特征依赖关系和患者之间关系，解决了传统插补方法的局限性。在包括ADNI、OASIS-3和AIBL在内的大型数据集上进行评估，NITROGEN展示了稳健的校准和不确定性量化能力，在保持竞争性准确度的同时，性能优于基于树的集成方法。研究还强调了在临床部署中评估模型在校准、可解释性和跨队列可…
-
AI系统ProMUSE通过自适应成像降低阿尔茨海默病诊断成本
研究人员开发了ProMUSE，一个新颖的AI系统，旨在通过自适应地整合多模态数据来改善阿尔茨海默病的早期诊断。该系统最初使用低成本的临床评估并量化诊断不确定性。如果存在高不确定性，ProMUSE会逐步整合更昂贵的数据，如MRI和PET扫描，并利用Dempster-Shafer理论融合信息，减少对昂贵成像的依赖。在基准数据集上的实验表明，ProMUSE可以达到与全模态方法相当的准确性，同时显著减少对MRI/PET扫描的需求，为广泛筛查提…
-
新的SMART框架提供了一种灵活、可解释的医学成像大脑图谱
研究人员开发了SMART，一种用于从高分辨率医学成像数据创建灵活、可解释且可扩展的时空大脑图谱的新型框架。与以前的黑盒模型不同，SMART通过学习连续的疾病时间图谱，将全局疾病动态与个体解剖学表现分离开来。该方法使用特定区域的微分方程来模拟沿共享疾病时间线的进展，并采用神经细胞自动机进行个性化。在对阿尔茨海默病进行的五个纵向MRI数据集上进行测试，SMART展示了最先进的预测准确性和改进的时间一致性。