CT images of abdomen and pelvis: effect of nonlinear three-dimensional optimized reconstruction algorithm on image quality and lesion characteristics.
PulseAugur coverage of CT images of abdomen and pelvis: effect of nonlinear three-dimensional optimized reconstruction algorithm on image quality and lesion characteristics. — every cluster mentioning CT images of abdomen and pelvis: effect of nonlinear three-dimensional optimized reconstruction algorithm on image quality and lesion characteristics. across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
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。
-
少样本深度学习框架提高了经颅聚焦超声的准确性
研究人员开发了一种新颖的少样本深度学习框架，用于校正经颅聚焦超声 (tFUS) 中的相位幅度畸变。该方法利用几何感知编码器从患者 CT 图像中提取颅骨特征，从而能够通过最少的微调快速适应个体患者。与传统的时域反演模拟相比，该框架显著加快了校正过程，提高了 tFUS 应用的准确性和安全性。
-
新的GRC-ProbNet方法提高了心血管疾病分类的准确性
研究人员开发了GRC-ProbNet，一种不确定性感知特征提取方法，旨在提高从CT图像分类心血管疾病（CVD）的准确性。这种新方法通过使用深度集成生成多个分割掩码来提取不确定性特征，从而建立在现有的GRC-Net管道之上。在MM-WHS和ASOCA数据集上的实验表明，GRC-ProbNet显著提高了CVD分类性能，AUROC达到了92.92%，而基线GRC-Net为91.25%。研究还发现，最能指示分割质量的不确定性度量并不总是为下游…
-
新型 AI 模型可分割 CT 扫描中的所有血管
研究人员开发了 vesselFM-CT，这是一种旨在分割 CT 图像中所有血管的新型模型。这一进展旨在克服以往仅关注孤立血管段的研究的局限性，从而能够对整个心血管系统进行更全面的分析。该模型利用迭代训练过程和新的 TubeLoss 函数来处理从大动脉到微小肠系膜血管的血管结构多样性。
-
AI方法以98.4%的准确率自动分割心脏脂肪
研究人员开发了一种自动分割CT图像中心外膜和纵隔脂肪的方法，旨在改善健康风险评估。该技术涉及图像配准、特征提取和随机森林分类算法，以区分组织类型。实验证明了高准确性，这些心脏脂肪组织的分割平均准确率为98.4%，Dice相似系数为96.8%。