computed tomography
PulseAugur coverage of computed tomography — every cluster mentioning computed tomography across labs, papers, and developer communities, ranked by signal.
- instance of cone beam computed tomography 90%
- instance of Cone Beam Ct 90%
- used by Segment Anything Model 80%
- instance of magnetic resonance imaging 70%
- instance of Gotit.pub 70%
- used by nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation 70%
- used by deep learning 70%
- used by Gotit.pub 70%
- used by ScienceCast 70%
- instance of CatalyzeX 70%
- developed by CatalyzeX 70%
- used by X-ray 70%
11 天有情绪数据
-
新框架改进了用于医疗干预的 CT-US 图像配准
研究人员开发了一种用于超声 (US) 和计算机断层扫描 (CT) 成像之间可变形配准的新框架，旨在提高微创手术的准确性。该系统利用 CT 扫描中的解剖先验来指导配准过程，尤其是在手术过程中软组织发生变形时。通过结合与探头接触相关的组织刚度近似和基于物理的约束，该方法将对齐精度比刚性配准提高了 17%，并且在防止拓扑折叠的同时超越了传统的可变形方法。
-
FactorSplat 通过外观控制增强医学体绘制
研究人员推出了一种新颖的医学体绘制方法 FactorSplat，该方法增强了外观控制。与将单一传递函数烘焙到渲染代理中的先前方法不同，FactorSplat 允许在推理时应用特定区域的强度到 RGBA 曲线。该方法利用共享函数编码器和低秩因子来学习残差外观，而几何和方向外观则在不同的预设之间共享。FactorSplat 在 CT 和 MR 扫描上展示了优于现有方法的性能，在各种编辑场景下，在 PSNR 方面取得了显著的提高，并减少了更…
-
不确定性指标在医学图像合成质量评估中展现出潜力
研究人员调查了使用不确定性作为扩散模型语义正确性指标在医学图像合成中的应用。他们的研究重点是使用一个名为AortaDiff的框架，从非增强CT（NCCT）生成增强CT（CECT），该框架同时生成腔分割以量化解剖准确性。研究结果表明，不确定性估计方法可以有效地标记严重的生成失败并检测分布外情况，支持其在医学影像中用于质量过滤和可靠性评估。
-
评论批评在气候危机中推动核能
一篇评论文章认为，推动更多核能，特别是小型模块化反应堆（SMRs），是错误的，并分散了应对气候变化紧迫需求的注意力。作者认为，重点应放在应对火灾、干旱和极端天气等气候变化的影响上，而不是投资尚未在美国证明可行的核能解决方案。
-
新的RIQE模型评估CT图像质量，在医学扫描中优于NIQE
研究人员开发了RIQE，一种用于评估计算断层扫描（CT）图像质量的新参考模型。与自然图像质量评估器（NIQE）类似，RIQE是在医学成像数据而不是照片上进行训练的。它在3,792个全剂量CT切片上进行拟合，并在降剂量重建上进行测试，在大多数情况下成功地将降级图像的排名低于其全剂量对应图像。然而，该模型对滤波图像的偏好与病灶可检测性并不一致，这表明它不应作为选择或调整图像处理技术的唯一标准。
-
DCM-SAM 系统改进了金属增材制造中的缺陷分割
研究人员开发了 DCM-SAM，这是一种用于通过 X 射线计算机断层扫描分割金属增材制造零件中缺陷的新型系统。该系统采用缺陷条件自适应 LoRA 专家混合模型，利用固定的 Segment Anything 主干，并为每个缺陷类别配备单独的 LoRA 专家。DCM-SAM 仅使用合成数据进行训练，就能在未直接接触真实扫描的情况下实现高精度。该系统还解决了在 AI 加速器上部署的挑战，针对 Qualcomm Hexagon NPU 进行了…
-
数字孪生框架增强癌症自适应质子治疗
研究人员开发了一个不确定性引导数字孪生（UGDT）框架，以改进头颈癌的在线自适应质子治疗。该框架可预测为期六到七周的治疗期间的解剖结构变化，从而能够生成高质量的自适应计划。UGDT框架通过生成与医生批准的离线重新计划相当的计划，并使关键器官剂量保持在耐受范围内，证明了其可行性。
-
新的RIQE模型评估CT图像质量，但存在局限性
研究人员开发了放射学图像质量评估器（RIQE），一个旨在评估计算断层扫描（CT）图像质量的模型。RIQE的灵感来源于自然图像质量评估器（NIQE），并在158名患者的3,792张全剂量CT切片数据集上进行了训练。该模型在将减低剂量重建的图像排名为不如全剂量图像以及识别噪声增加的图像方面表现出有效性。然而，RIQE的偏好与病灶可探测性并不总是保持一致，这表明它不应作为选择或调整图像处理技术的唯一标准。
-
新的3D视觉语言模型增强CT扫描分析
研究人员开发了NV-Reason-CT，这是一种新颖的3D视觉语言模型，用于分析胸部和腹部CT扫描。该模型集成了3D视觉Transformer和语言模型，在整个分析过程中保留了详细的空间信息。NV-Reason-CT在大量多模态指令和放射科专家推理数据集上进行训练，能够对异常进行分类、生成报告并进行交互式推理，有望缩短解读时间。
-
开发者展示用于医学成像和API分析的AI工具
两位开发者正在展示他们构建的AI工具。一位创建了一个系统，该系统使用通用视觉模型来解释MRI和CT扫描结果，并提供发现的解释。另一位则在探索MCP和REST API之间的关系，认为它们在根本上是相似的。
-
AI医学扫描工具出现左右混淆错误，开发者已修复
一位开发者构建了一个使用Claude、Gemini和Grok等大型语言模型来解读医学扫描的工具，但发现了一个关键缺陷：模型经常混淆患者的左右两侧。这种错误在医学上被称为“绝不发生事件”，即使模型在图像坐标中正确识别了病灶位置，也会发生。问题源于在通用图像数据上训练的模型，这些数据描述的是视觉方向（屏幕的左侧）而不是解剖学方向（患者的右侧）。已实现一个无模型检查，利用NIfTI文件的世界空间坐标来捕获这些左右颠倒的错误。
-
用于心脏病分割的AI模型在分布外泛化方面表现不佳
一篇新的研究论文评估了用于分割先天性心脏病（CHD）解剖结构的深度学习模型的分布外（OOD）泛化能力。研究发现，分布内性能是跨队列鲁棒性的一个糟糕的预测指标，其中nnU-Net在验证集上得分很高，但在一个独立的数据集（ImageCHD）上性能显著下降。SwinUNETR展示了更好的泛化能力，并且其性能在有限的目标域监督下得到了显著提升。
-
SONAR：新型神经算子增强稀疏视角CT重建
研究人员开发了SONAR，一种新颖的结构一致性神经算子，用于稀疏视角计算机断层扫描（CT）重建。该方法通过预测低维、零空间感知的表示来解决具有不完整投影的CT扫描中的病态问题。SONAR有效地分离测量残差和伪测量残差，应用物理算子，并使用独立的神经算子来约束结构效应，从而在各种视角设置和分辨率下实现更准确、更鲁棒的重建。在模拟的AAPM和临床MARS光子计数CT数据上的实验表明，与现有方法相比，PSNR和整体性能均有显著提高。
-
人工智能与移动CT整合旨在改善农村医疗服务可及性
一篇新的综述文章探讨了移动计算机断层扫描（CT）系统、远程医疗和人工智能（AI）的整合，以改善农村和偏远地区的医疗服务可及性。虽然移动CT、远程医疗和AI本身是成熟的技术，但它们的全面整合面临监管差异、连接性问题、成本和工作流程整合等障碍。未来的研究应侧重于在服务不足的真实临床环境中对这些集成系统进行前瞻性评估，以证明对患者层面的益处。
-
MedSAM-3 通过文本提示和 LLM 代理增强医学图像分割
研究人员推出了 MedSAM-3，这是一款专为医学图像分割设计的新模型，它利用文本提示来精确靶向解剖结构。通过使用医学图像和概念标签对 Segment Anything Model (SAM) 架构进行微调，MedSAM-3 实现了开放词汇分割。该模型还包含一个代理框架，集成了多模态大型语言模型 (MLLM)，用于复杂推理和迭代优化，在各种医学成像模式上的表现优于现有模型。
-
新的PyRadiomics扩展增强了各向异性医学图像纹理分析
研究人员开发了一个增强版的PyRadiomics，旨在精确分析具有各向异性体素间距采集的医学成像数据中的纹理特征。新框架在不插值灰度级的情况下，考虑了相同体素偏移量代表的不同物理距离。该系统跨Python、C和计算后端运行，修改了GLCM、NGTDM和GLRLM等特定纹理族以适应各向异性。使用合成3D体模进行的验证证明了其准确性，并突出了运行时和内存使用量的适度增加，为未来在异构医学成像中的放射组学评估提供了坚实的技术基础。
-
人工智能优化CT扫描协议，以提高图像质量并降低辐射剂量
研究人员开发了一个利用强化学习和虚拟成像试验来优化计算机断层扫描（CT）协议的新框架。该方法旨在通过智能地平衡采集和重建参数来提高诊断图像质量，同时最大限度地减少辐射暴露。一个基于视觉变换器（vision transformer）的患者特定嵌入（patient-specific embeddings）条件化的近端策略优化（Proximal Policy Optimization）代理，仅用穷举测试的2%就恢复了超过98%的最优目标，显…
-
新的PR-IMM跟踪方法改进了目标运动表示
一种名为PR-IMM的新跟踪方法已被开发出来，它将基于Transformer的预测模型与雷达多普勒测量相结合，以增强非线性目标运动表示。该方法通过减少目标跟踪场景中的位置估计误差和身份切换来改进现有方法。实验表明性能有显著提升，与标准的IMM方法相比，位置估计误差减少了57.3%。
-
新框架利用 MRI 数据生成皮层下 CT 扫描标签
研究人员开发了一个新颖的集成框架，通过从现有的基于 MRI 的模型迁移知识来生成 CT 扫描的皮层下分割标签。该方法解决了皮层下分割的标记 CT 数据稀缺的问题，而这对于诊断神经系统疾病至关重要。该框架集成了多个 MRI 模型，并将它们应用于未标注的配对 MRI-CT 数据，创建了一个全面的 CT 皮层下分割数据集。该团队已公开了他们的源代码、生成的数据集和训练模型，这是该特定任务的首次开源发布。
-
统一的 AI 模型可分割 CT 和 MRI 扫描中的胰腺
研究人员开发了一个统一的框架，用于分割 CT 和 MRI 扫描中的胰腺图像，解决了在一种模态上训练的模型应用于另一种模态时性能下降的挑战。通过在 4,604 个异构扫描上采用域对抗学习，该系统学习了解剖学表示，从而对齐 CT 和 MRI 之间的特征。然后，利用有限的仅 MRI 注释将共享编码器转移用于子区域分割，在分布内和外部数据集上均取得了优异的结果，并证明了对下游任务的有效标签高效迁移。