computed tomography
PulseAugur coverage of computed tomography — every cluster mentioning computed tomography across labs, papers, and developer communities, ranked by signal.
- instance of magnetic resonance imaging 90%
- instance of alphaXiv 90%
- instance of DagsHub 90%
- instance of Gotit.pub 90%
- instance of cone beam computed tomography 90%
- instance of Cone Beam Ct 90%
- used by Segment Anything Model 80%
- used by Gaussian splatting 80%
- used by Gotit.pub 70%
- instance of ScienceCast 70%
- used by CatalyzeX 70%
- used by deep learning 70%
17 天有情绪数据
-
新型检测器利用 FaceSwap 和 VoiceCloning 技术识别 deepfake 电话
一种新型检测器已被开发出来,用于识别利用 FaceSwap 和 VoiceCloning 技术进行的 deepfake 电话。该工具旨在帮助区分真实和被操纵的视听通信,以解决对人工智能被滥用于创建欺骗性内容的担忧。
-
研究发现:视觉-语言模型在医学影像诊断方面存在困难
一篇新发表在 arXiv 上的研究评估了视觉-语言模型(VLM)在解读急诊 CT 和 MRI 扫描时的诊断准确性和导航行为。在各种探索策略下,与人类放射科医生相比,VLM 的准确性显著较低,根据导航方法的不同,汇总准确率在 32.6% 到 42.5% 之间。这些模型还倾向于过早形成假设,并且很少纠正,尽管它们对最终答案表示高度自信。
-
通用CT基础模型在零样本肝脏肿瘤区分方面表现有限
最近的一篇arXiv论文评估了两个通用CT基础模型RADAR和Merlin在区分肝脏肿瘤方面的能力。在零样本设置下,RADAR的准确率为54.4%,将相当一部分恶性肿瘤误判为血管瘤。然而,通过线性探测,RADAR的准确率提高到79.9%,Merlin的准确率为60.9%。研究表明,虽然这些通用模型在肿瘤区分方面的零样本能力有限,但通过少量额外训练可以显著提高其性能。
-
新的ACUS评分衡量CT预测在角度间隙下的可靠性
研究人员推出了一种新方法——角度校准不确定性评分(ACUS),用于评估不完整视图计算机断层扫描(CT)中预测的可靠性。与专注于填充缺失数据并与单一真实值进行比较的传统方法不同,ACUS量化了预测准确性随着与采集测量值角度距离的增加而降低的程度。该评分基于名义90%预测区间的Winkler区间评分,当保留的像素落在区间之外时,会因宽度和漏判而受到惩罚。ACUS表明,随着角度间隙的扩大,预测可靠性会降低,这是标准峰值信噪比(PSNR)指标…
-
AI框架LUCID通过无CT衰减校正提高PET扫描精度
研究人员开发了LUCID,一种用于合成动态心脏PET扫描中衰减图的新型框架。该方法利用在大量CT扫描数据集上预训练的扩散网络,与传统的CT衍生的衰减校正相比,提高了准确性并减少了辐射暴露。LUCID利用卷积神经网络生成初始图,然后由以PET数据为条件的扩散模型进行精炼,最终生成更准确的最终图。该框架在评估中显示出优越的定量准确性和具有竞争力的帧间一致性。
-
新的AI精炼器GRACE提高了医学图像分割精度
研究人员开发了GRACE,一种新颖的检索增强精炼器,旨在提高医学图像分割的准确性。与以往需要为每种解剖结构训练专门模型的方法不同,GRACE使用单一的、经过训练的精炼器,从经过验证的病例共享知识库中提取上下文。这种方法允许它根据先前相似病例的形状先验来编辑分割掩码,在分割精度方面显示出显著的改进,特别是对于较弱的初始分割器。
-
使用CT扫描和报告适配3D医学VLM以进行HCC分类
研究人员开发了一种方法,通过使用计算机断层扫描(CT)扫描和放射学报告,将3D医学视觉语言模型(VLM)适配到机构特定的肝细胞癌(HCC)分类任务中。该研究比较了全参数微调和参数高效微调(PEFT)技术,发现这两种方法都比预训练模型提高了性能,且无需病灶级标注。PEFT,特别是使用ConvLoRA作为图像编码器和LoRA作为文本编码器,在仅更新约1%的模型参数的情况下取得了与全参数微调相当的结果,尽管需要更多的训练步骤。
-
PEFT方法在将3D医学VLMs适配于机构特定的HCC分类方面显示出潜力
研究人员探索了使用配对的腹部CT扫描和放射学报告,将3D医学视觉语言模型(VLM)适配于机构特定的肝细胞癌(HCC)分类。他们比较了全参数微调与参数高效微调(PEFT)方法(如ConvLoRA和LoRA)。两种方法均表现出强劲的性能,PEFT达到了0.79的AUC和0.70的F1分数,而全参数微调达到了0.82的AUC和0.71的F1分数。尽管PEFT仅更新了约1%的模型参数,但全参数微调收敛速度更快,但存在过拟合的风险。
-
MedImgAnnotator工具显著缩短医学图像标注时间
一款名为MedImgAnnotator的新工具已被开发出来,用于简化深度学习模型开发中医学图像的标注过程。该工具集成了多种编辑功能、预处理能力和插件系统,支持批量处理,与现有方法相比显著减少了标注时间。评估显示,主动标注时间大幅缩短,易用性提高,证明了其在不同成像模态和身体区域的实用性。
-
AI编码助手测试未能发现事先授权系统中存在的关键缺陷
一位开发人员为一家虚构的健康计划创建了一个自动事先授权系统,用于处理核磁共振成像、CT扫描和脊柱注射的请求。尽管通过了所有自动化测试,包括验证每个安全规则都得到保护的“移除运行”,但人工审查员发现了三个关键缺陷。这些缺陷包括系统因词语重叠而错误地应用策略、静态检查未能识别覆盖范围的差距,以及敏感的患者信息被不当泄露。
-
新AI代理利用CT扫描和流行病学改善心肺风险预测
研究人员开发了因果包络代理(CE-Agent),这是一个新颖的两阶段框架,旨在通过整合流行病学证据和计算机断层扫描(CT)结果来更准确地预测心肺风险。该代理将现有研究汇编成对风险因素权重的明确约束,解决了传统临床计算器和无约束机器学习模型的局限性。CE-Agent在大规模数据集上表现出卓越的性能,优于现有的心血管计算器,并且在新地点具有良好的泛化能力,同时还提供校准的风险区间,可以指导临床决策。
-
CT扫描解锁400年前海难打捞出的锁
研究人员利用计算机断层扫描(CT)技术,成功解锁了一把从Ann Francis号海难船上打捞出的、已有400年历史的锁。这项先进的扫描技术帮助他们 decipher 了这把在威尔士海岸外沉寂了几个世纪的锁的复杂结构。
-
新的CADS数据集支持全面的全身CT分割
研究人员推出了CADS,这是一个专为计算机断层扫描(CT)图像中的全身解剖设计的综合数据集和分割框架。该新资源整合了来自100多个影像中心的解剖标签,为22,022个体CT扫描中的167个结构提供了注释。CADS采用一种带有形状知情质量控制的自训练方法,为稀疏注释的扫描生成高质量的伪标签。该框架在分布变化下表现出稳健的分割性能,并在18个公共数据集上优于现有的最先进方法,并在一个独立的肿瘤学队列中得到了进一步验证。
-
Uni-Loc框架通过弱监督实现准确的3D CT病理定位
研究人员开发了Uni-Loc,一个新颖的视觉语言框架,旨在仅使用扫描级监督来准确地精确定位3D CT扫描中的异常。该方法通过分析条件查询和图像特征之间的空间相似性,统一了病理分类和3D定位。Uni-Loc的token到voxel上采样和梯度引导阈值处理能够在不需要额外学习参数或病理特定的voxel级注释的情况下实现高分辨率定位。该框架在五个定位任务上表现出优越的性能,并在CT-RATE和RAD-ChestCT数据集上的分类准确性方面优于现有方法。
-
New framework QueryREPA enhances multimodality medical object detection
研究人员开发了一个名为 QueryREPA 的新框架,以改进多模态医学目标检测。该方法解决了在具有不同统计特性和表示空间的 X 射线、CT 扫描和 MRI 等各种医学成像类型上训练单一检测器的挑战。QueryREPA 将目标查询表示与模态上下文对齐,增强了检测器在没有重大架构更改或延迟的情况下解释和处理各种成像数据的能力。
-
ImageCLEFmedical 2026任务探索GANs用于合成医学图像和隐私保护
第四届ImageCLEFmedical 2026 GANs任务,今年关注合成医学图像生成的隐私和安全问题。今年的任务包括三个子任务:检测用于GAN训练的真实图像,识别生成合成图像的潜在向量,以及生成保护隐私的CT切片。共有37个团队注册,10个团队提交了运行结果,6个团队提交了论文,利用提供的真实和GAN生成的肺部CT切片数据集进行评估。
-
Automated CT scan pipeline aids prostatectomy phantom segmentation
研究人员开发了一种使用CT扫描的前列腺手术模型的三维分割自动化流水线。该流水线利用解剖学先验和经典图像处理技术,无需训练语料库即可快速适应新的模型修订。它以0.83的Dice分数成功分割模型内部,并能无假阳性地检测出局灶性病变,整个过程仅需几分钟,而手动标注则需要数小时。
-
CUFormer框架增强了用于骨科导航的CT-超声配准
研究人员开发了CUFormer,一个旨在提高术中超声(US)骨表面点云与术前计算机断层扫描(CT)模型配准准确性的新框架。这项进展旨在通过解决导致不同表面采样模式的不同成像物理学带来的挑战,来支持无辐射的骨科导航。CUFormer利用感知模态Transformer(MAT)来编码模态信息并适应特征,有效处理US成像中常见的骨表面部分覆盖问题。该框架在多个数据集上展示了卓越的性能,与现有方法相比显著降低了配准误差。
-
MedHiVE框架通过分层视觉-语言建模增强3D医学成像
研究人员开发了MedHiVE,一种新颖的3D医学视觉-语言建模框架,通过整合分层解剖结构来解决现有模型的局限性。MedHiVE利用两级软专家混合(SMoE)层次结构动态路由视觉和文本数据,并通过在不同解剖尺度上进行对比学习来对齐它们。该方法在六个数据集的分割、分类和检测任务上超越了11种最先进的方法,证明了分层建模在医学成像中的有效性。
-
新的超声引导测试平台USB Gym显示出有限的成功
研究人员开发了USB Gym,这是一个旨在评估闭环超声视图匹配方法的新测试平台。该系统模拟来自患者CT扫描的超声成像,并允许集成各种分割、控制和奖励组件。将现有已发布的方法与测试平台自身的组件相结合的初步测试显示出有限的成功,将探头引导至距离目标视图平均13.7毫米处,远低于姿态预言机实现的1.5毫米。