BI-RADS
PulseAugur coverage of BI-RADS — every cluster mentioning BI-RADS across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新AI框架提升乳腺超声诊断准确性
研究人员开发了一个名为引导与反馈（Boot-and-Feedback, BooF）的新框架，以提高用于乳腺超声诊断的AI模型的准确性和可解释性。该框架通过领域特定知识和初步预测来指导多模态大语言模型（MLLMs），解决了其生成不准确描述的问题。BooF框架增强了通用MLLMs与专家视觉模型之间的协作，与现有方法相比，取得了更优越的诊断性能。
-
AI模型通过新的学习框架推动超声分割发展
研究人员开发了用于医学图像分割的新型多任务学习框架，重点关注乳腺和甲状腺超声数据。第一种方法利用符合BI-RADS的形态学先验，通过将病灶特征整合到学习过程中，改进了分割和恶性肿瘤分类。第二个框架UCBound-Net通过利用不确定性引导的边界蒸馏来解决持续学习的挑战，以减轻模型适应新解剖学领域时灾难性遗忘的问题。
-
新AI框架BUSTR利用有限数据生成乳腺超声报告
研究人员开发了BUSTR，一个用于生成乳腺超声（BUS）报告的新型视觉语言学习框架。该系统旨在通过利用结构化的病灶信息（如BI-RADS分类、形状和回声特征）来生成报告，从而克服成对图像和放射科医生书写报告数据稀缺的问题。BUSTR采用Swin Transformer编码器和基于LLaMA的语言模型，并使用结合了token级和表示级对齐的双层目标进行训练。与现有方法相比，该框架在报告相似性和描述符恢复方面表现出改进，特别是在病灶形状、…
-
新框架通过双视角乳腺X线摄影融合增强乳腺癌分类
研究人员开发了一种新颖的以Token为中心的框架，通过有效融合头尾（CC）和内侧斜位（MLO）视图的信息来改进乳腺X线摄影图像的乳腺癌分类。该方法利用冻结的视觉Transformer骨干网络，并将视图间交互重新构建为结构化的Token级通信，专用的融合Token促进了跨多个Transformer深度的双向信息交换。在VinDr-Mammo数据集上的实验显示，与现有的融合基线相比，BI-RADS评估的二元分类AUC提高了0.10，取得了显著的改进。
-
新的AEGIS架构利用Vision Transformer增强乳腺摄影分析
研究人员开发了AEGIS，一种新颖的用于乳腺摄影的联合嵌入预测架构，它利用了Vision Transformer的变体。AEGIS在一个来自多个临床站点的庞大数据集上进行了训练，在检测乳腺癌和评估乳腺密度方面表现出色。该架构在跨人群可转移性方面也显示出潜力，VinDr-Mammo数据集上的表现证明了这一点。
-
新AI框架通过结构化推理增强乳腺癌诊断
研究人员开发了Latent-CURE，一种使用多模态大模型进行乳腺癌检测的新诊断框架。该框架采用不对称加权思维链方法，确保结构化的临床推理，迫使模型在做出诊断前识别BI-RADS形态学描述符。为解决恶性指标稀缺的问题，Latent-CURE采用双不对称优化策略，防止常见的良性模式掩盖关键的恶性特征。评估表明，这种注入知识的方法提供了透明的临床证据，并在不平衡的医学数据集上实现了准确的性能。
-
新AI框架MammoRG改进乳腺钼靶报告生成
研究人员开发了MammoRG，一个用于生成乳腺钼靶报告的新框架，该框架整合了先前的临床知识并模拟了诊断工作流程。与以往仅关注视觉到文本映射的方法不同，MammoRG采用了两阶段训练过程和面向术语的微调，以提高临床一致性。该系统还包括用于解析和评估生成报告的MammoRGTool，在多个临床疗效指标上表现优越。
-
AI模型在超声检查中显示出强大的乳腺密度预测能力，泛化性良好
研究人员对三种深度学习模型——DenseNet121、ViT-B/32和ResNet50——进行了外部验证，用于从超声图像预测乳腺密度。这些模型表现出强大的性能，尤其是在极度致密的乳腺中，尽管异质性致密的乳腺仍然是一个挑战。当整合到风险预测模型中时，AI衍生的密度与乳房X线摄影报告的密度显示出可比的结果，表明其在不同人群中的泛化能力。