computed tomography
PulseAugur coverage of computed tomography — every cluster mentioning computed tomography across labs, papers, and developer communities, ranked by signal.
- used by nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation 80%
- instance of magnetic resonance imaging 70%
- used by deep learning 70%
- used by X-ray 70%
- used by polyethylene terephthalate 70%
- instance of cone beam computed tomography 70%
- used by U-Net 70%
- used by Segment Anything Model 70%
- used by magnetic resonance imaging 60%
- instance of Mauritius 60%
- used by ultrasound 60%
- instance of U-Net 60%
18 天有情绪数据
-
新的无监督方法分割低对比度混凝土XCT图像
研究人员开发了一种新颖的无监督方法，用于分割低对比度混凝土X射线计算机断层扫描（XCT）图像。该方法解决了骨料和砂浆之间X射线衰减系数相似的挑战，这通常会阻碍依赖强度的分割。该技术利用一种自标注过程，将超像素算法与卷积神经网络（CNN）的感受野相结合，以学习图像内的全局-局部关系。与手动标注数据相比，该方法在识别混凝土骨料的灵敏度和精度平衡方面优于简单的灰度阈值处理。
-
新的大语言模型评估框架测试其对医疗指南的遵循情况
一篇新研究论文介绍了一个名为 SycoEval-EM 的框架，该框架旨在测试大规模语言模型（LLMs）在面对患者要求不必要治疗时，对医疗指南的遵循程度。该研究模拟了 1,425 次临床问诊，涉及 19 个大语言模型，发现顺从率差异显著，一些模型始终遵循指南，而另一些模型则经常屈服于患者的压力。研究强调，标准的医疗基准不足以评估大语言模型在真实临床互动中的安全性，并表明可靠的遵循是可实现的。
-
新的统计逆向学习框架使用 \(\\ell^1\) 正则化进行稀疏函数恢复
研究人员开发了一个新的统计逆向学习框架，该框架利用 \(\\ell^1\) 正则化从间接和有噪声的观测中恢复稀疏函数。所提出的方法，一个 \(\\ell^1\) 正则化的经验风险最小化器，已经过理论分析其统计特性，建立了几乎处处一致性并推导了非渐近收敛速率。这些速率被证明是最优的，并已在椭圆偏微分方程中识别反应系数以及稀疏计算机断层扫描（包括滤波后拉东变换）的应用中得到验证。
-
新框架实现快速、准确的CT身体成分分析
研究人员开发了一种新的分层分割框架，旨在从CT扫描中准确高效地分析身体成分。该方法解决了多源数据异质性和高计算需求带来的挑战。通过采用动态间隔和各向异性打补丁等技术，以及分组推理机制和拓扑感知不对称重采样，该框架在显著减少内存使用和处理时间的同时实现了高精度，使其适用于在标准CPU工作站上部署。
-
WING生成网络在MRI/CBCT合成CT方面达到SOTA水平 · 跟踪3个来源
研究人员开发了WING，一种新颖的生成网络，用于跨模态CT合成。该模型将回归目标重新表述为多个窗口化表示，解决了直接CT强度回归的挑战。WING利用门控卷积生成器和融合-精炼Transformer来聚合窗口化输出并精炼细节，在MRI到CT和CBCT到CT的基准测试中取得了最先进的性能。
-
新的AI框架自动化心脏网格生成，用于计算机模拟试验
arXiv上的两篇新研究论文介绍了从医学扫描创建人体心脏详细3D模型的先进方法。第一篇论文介绍了一个半自动流程，将基于CT的分割转换为可用于仿真的心脏网格，从而能够构建统计形状模型和生成合成解剖结构，用于计算机模拟研究。第二篇论文HeartVolMesh提出了一种新颖的方法，使用3D CNN-GNN来预测顶点位移和协方差，然后指导四面体模板的变形，以重建具有内置对应关系的准确的患者特定心脏网格。
-
新数据集和检测器针对AI生成的CT图像
研究人员推出CTForensics，这是一个旨在识别AI生成的计算机断层扫描（CT）图像的新数据集和检测方法。该数据集包含75,990张2D CT图像，其中包括来自十种不同生成模型的29,990张图像的特定测试集。为应对检测这些合成图像的挑战，该团队还开发了增强型时频CT伪造检测器（ESF-CTFD），这是一个卷积神经网络（CNN）框架，集成了小波增强中心茎、多尺度空间聚合和频率感知预测块。实验表明，ESF-CTFD取得了高精度，优于…
-
新的CT扫描方法无需深度学习即可重建肺血管树
研究人员开发了一种新的、确定性的计算断层扫描（CT）肺血管树重建流程。该方法通过融合多尺度Hessian滤波并使用TEASAR算法进行中心线提取，避免了深度学习。该流程生成几何上合理的血管图谱，然后对其进行分形维数和分支模式等指标的分析，得出的结果与已知的人类肺血管系统一致。
-
新的 vsPAIR 架构通过不确定性量化增强逆问题求解能力
研究人员推出了一种新颖的变分稀疏配对自编码器 (vsPAIR) 架构，旨在解决逆问题并提供不确定性量化。该方法将标准的变分自编码器 (VAE) 与稀疏 VAE 配对，并通过学习到的潜在映射连接。变分结构有助于不确定性估计，而配对和稀疏编码则增强了结果的可解释性和结构。在盲修复、计算机断层扫描和热方程推理等任务上的实验证明了 vsPAIR 在具有结构化不确定性的逆问题求解方面的能力。
-
新的SAVER框架优化CT扫描以降低辐射剂量
研究人员开发了SAVER，一种用于低剂量计算机断层扫描（CT）的新型框架，该框架根据采集数据的统计方差实时自适应地选择投影角度。该方法旨在通过优先考虑具有更高结构信息的方向来最小化辐射剂量而不牺牲图像质量。在不同模型上的数值实验表明，与传统的随机采样相比，SAVER在重建保真度方面表现更优，尤其是在处理具有复杂结构和噪声条件下的物体时。
-
从单次 CT 扫描创建患者特异性关节式数字孪生
研究人员开发了一种从单次全身 CT 扫描创建患者特异性关节式数字孪生的方法。该技术将参数化人体模型拟合到运动支架上，然后将分割的骨骼和器官绑定到解剖感知 rig 上。生成的数字孪生可以表示由于患者重新定位引起的人体解剖学变化，在不同姿势下保持骨骼几何结构和放射学结构。
-
新的DeVAR框架使用视觉自回归模型进行CT去噪
研究人员推出了一种新颖的生成式框架DeVAR，用于低剂量CT（LDCT）去噪，该框架利用视觉自回归模型。该方法将正常剂量CT（NDCT）图像的生成条件化为全局上下文令牌，并逐步预测离散令牌图。为了增强细节保留，DeVAR包含了一个残差精炼器来捕捉细微的解剖结构，以及一个双表示混合训练策略，用于无缝集成连续和离散的潜在表示。在公共数据集上的实验表明，DeVAR在定性和定量评估中均优于现有的最先进的LDCT去噪方法。
-
新的诊断方法可预测合成医学数据的可迁移性，无需标签
研究人员开发了一种新颖的方法，可以在没有实际标签的情况下预测合成医学成像数据在现实世界应用中的可迁移性。他们的诊断工具在肺部CT扫描和五个视觉语言模型（VLM）上进行了测试，区分了供体驱动的能力（与移植的结节相关）和宿主驱动的能力（与周围解剖结构相关）。研究结果表明，供体驱动的能力可以可靠地从合成数据迁移到真实数据，而宿主驱动的能力则不能，这种可预测性在各种任务和数据集中都成立。
-
机器学习加速碳储存的数字岩石建模
研究人员开发了一个新颖的机器学习框架，用于增强碳酸盐岩的表征，以应用于碳储存和石油生产等领域。该框架利用深度神经网络（DNN）作为复杂模拟的代理模型，并结合了具有多数据同化（ESMDA）的集成平滑器算法。DNN-ESMDA方法将计算时间从数千小时显著缩短到几秒钟，实现了岩石性质的高效推断和不确定性估计，这对于高保真数字岩石建模至关重要。
-
新的BREIT框架通过三维EIT增强脑卒中重建
研究人员开发了BREIT，一个旨在利用多频电阻抗成像（MF-EIT）改进脑卒中重建的新框架。该框架通过提供数据生成、模拟和评估的标准化流程，解决了当前三维深度学习重建方法的局限性。BREIT包括一种将CT/MRI扫描转换为电特性分布的方法，一个用于模拟MF-EIT电压的基于Python的求解器，以及一个支持非均匀电极布局的实现。该框架被用于开发dFNO-bar，一个集成了傅里叶神经算子和D-bar方法的模型，与现有技术相比，在脑卒中成…
-
新框架增强逆问题的鲁棒性和恢复能力 · 追踪 6 个来源
研究人员开发了新的框架来解决逆问题，即从不完整或有噪声的测量中重建数据。其中一种方法在 arXiv 的一篇新论文中详细介绍，它引入了一种分布鲁棒优化 (DRO) 方法，该方法专门构建以匹配数据采集过程，从而提高对分布变化的鲁棒性。另一篇论文探讨了盲逆问题的 Morse-Bott 框架，分析了最大后验 (MAP) 估计的恢复保证，并强调了其局部稳定性，同时承认其局限性。此外，一项研究提出了用于体积逆问题的 3D Junctions 场表…
-
流匹配研究推动生成模型和逆问题发展 · 跟踪10个来源
近期研究探索了用于生成模型和逆问题的流匹配技术的进展。论文介绍了用于高效多模态基于仿真的后验估计的FUSE，用于具有不确定性量化的稳定逆设计的对角流匹配（Diag-CFM），以及用于约束生成的拉格朗日对偶流。其他工作侧重于用于改进期望估计的得分正则化联合采样以及扩散和流匹配采样器的渐近保持分析。此外，流匹配正应用于稀疏视图CT重建和地球物理反演，展示了其在各种科学和工程领域的通用性。
-
播客认为可信赖的AI是一个范畴错误
c't 杂志的一期播客节目讨论了可信赖AI的概念，认为它存在根本性缺陷。讨论可能探讨了确保AI系统可靠和合乎道德的固有挑战和局限性。该节目被视为一个范畴错误，暗示追求“可信赖AI”是错误的。
-
新框架通过双先验学习增强医学图像超分辨率
研究人员开发了一种名为双先验零空间学习（DP-NSL）的新框架，用于医学成像中的任意切片超分辨率。该方法通过合成任意尺度的中间切片，从各向异性的临床采集数据中重建各向同性的三维体积。DP-NSL将问题重新表述为约束恢复过程，使用测量一致性投影（Measurement-Consistent Projection）确保精确重现采集到的切片，并使用样条混合模块（Mixture-of-Splines）施加几何连续性。在CT和MRI数据上的实验…
-
AI利用多模态学习预测GIST伊马替尼反应 · 跟踪2个来源
研究人员开发了一个使用交叉注意力的多模态深度学习框架，用于预测胃肠道间质瘤（GISTs）患者对新辅助伊马替尼治疗的反应。该模型整合了计算机断层扫描（CT）影像和临床变量，取得了较高的内部性能（AUC高达0.99），但外部性能较为适中（AUC 0.60-0.63）。可解释性分析揭示了响应者和非响应者之间特征重要性存在显著差异，为治疗反应决定因素提供了见解。