bleeding
PulseAugur coverage of bleeding — every cluster mentioning bleeding across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
PRISM-DR 流程使用专家模型检测糖尿病视网膜病变
研究人员开发了 PRISM-DR，一种检测糖尿病视网膜病变的新型流程。与以往使用单一多类别模型的方法不同，PRISM-DR 为四种非增殖性 DR 病变（微动脉瘤、出血、硬性渗出物和软性渗出物）中的每一种都采用了专门的单类别检测器。这种方法旨在通过针对每种病变类型的独特特征定制模型来提高准确性。该系统在 IDRiD 数据集上取得了 0.527 的测试 mAP50 和 0.529 的 F1 分数，证明了其作为统一检测模型的实用替代方案。
-
新架构应对糖尿病视网膜病变病灶分割挑战
研究人员开发了一种名为多分辨率特征干的新型深度学习架构，以改进糖尿病视网膜病变（DR）病灶的分割。现有模型面临挑战，因为DR病灶的大小差异很大，而较高的输入分辨率虽然有利于微动脉瘤等小病灶，但可能会影响对出血等大病灶的性能。所提出的架构集成了输入级金字塔和UNet++骨干网络，以并行处理多个尺度，在不丢失上下文信息的情况下有效捕获精细细节。
-
新AI模型利用CT扫描预测脑出血扩张
研究人员开发了HemExp，这是一种新颖的潜在扩散模型，旨在预测自发性脑出血后的血肿扩张。该模型根据基线影像和临床数据，生成患者特异性的后续非对比CT图像和出血分割。通过模拟真实的临床场景并估计合理后续血肿体积的分布，HemExp旨在支持神经外科护理中对不确定性敏感的决策。
-
新型VLM增强糖尿病视网膜病变AI可解释性
研究人员开发了HSQ-VLM，这是一种新颖的视觉语言模型，旨在提高AI诊断糖尿病视网膜病变的可解释性。该模型采用新颖的象限分割流程，结合了基于地标的笛卡尔交叉注意力和拓扑潜在分区，将视网膜特征与以中央凹为中心的坐标系统对齐。HSQ-VLM通过解剖学精确地量化病理学来生成精确的自然语言报告，在3500张眼底图像的数据集上实现了高灵敏度的出血和微动脉瘤检测。