AutoPET
PulseAugur coverage of AutoPET — every cluster mentioning AutoPET across labs, papers, and developer communities, ranked by signal.
-
LLM 和 RL 在新的 RADIANT-PET 框架中增强 PET/CT 病灶分割
研究人员开发了 RADIANT-PET，一个用于改进肿瘤学 PET/CT 扫描中病灶分割的新框架。该系统将一个体素级分割模型与一个大型语言模型 (LLM) 集成，用于病灶级别的裁决。候选摄取区域被文本化描述，然后由 LLM 分类为真实病灶或假阳性，并可选择整合放射学报告以提高准确性。通过使用 Group Relative Policy Optimization 的强化学习进一步优化 LLM 的推理能力，旨在改进病灶分类和解剖部位分配。
-
新的MuDuo框架使用双基础模型进行半监督PET/CT分割
研究人员开发了一种名为MuDuo的新型半监督学习框架，用于分割PET/CT扫描中的器官。该方法利用双基础模型，其中SAM-Med3D用于CT成像，SegAnyPET用于PET成像，将知识蒸馏到一个轻量级的学生网络中。MuDuo有效减少了手动标注的需求，并最大限度地利用了未标记数据，在仅有五个标记病例的AutoPET数据集上取得了最先进的性能。
-
AI框架MuDuo利用双基础模型增强PET/CT分割
研究人员开发了一种新颖的互蒸馏框架MuDuo，用于PET/CT扫描的半监督分割，解决了肿瘤学中手动标注成本高昂的问题。该框架利用SAM-Med3D（用于CT）和SegAnyPET（用于PET）这两个基础模型，将知识蒸馏到一个轻量级的学生网络中。MuDuo有效地利用了未标记数据，在仅使用少量标记案例的情况下，在AutoPET数据集上取得了最先进的性能。
-
开放式PET/CT基础模型以更少的数据推进肿瘤分割
研究人员开发了一个用于分割FDG PET/CT扫描中肿瘤的开源基础模型，从一开始就整合了解剖学和代谢数据。该模型在近5000个来自多个公共数据集的标准化扫描上进行训练，显示出显著的标签效率，仅用10%的标记数据就能达到与全数据集模型相当的性能。该框架利用了具有早期逐通道连接和掩码自动编码目标的层次化UNet骨干网络，为推进自动化肿瘤成像和减少标注需求提供了坚实的基础。