Dice Score
PulseAugur coverage of Dice Score — every cluster mentioning Dice Score across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
深度学习模型在不完美数据下对牛科牙齿分割效果的比较
一篇新的研究论文探讨了卷积和基于注意力的深度神经网络在分割牛科齿列图像方面的有效性。该研究在B.O.V.I.D.数据集上进行，解决了不完美标注掩码的挑战，这些掩码最初并非为机器学习训练而设计。研究人员评估了各种预处理和对齐技术来缓解标签不完美问题，发现虽然这些方法对Dice分数和mIoU等定量指标的影响有限，但它们显著改善了预测掩码的定性输出。
-
MedSAM2 适配用于CT扫描中的肺间质疾病交互式分割
研究人员已将基础模型 MedSAM2 适配用于胸部CT扫描中的肺间质疾病 (ILD) 的交互式分割。此适配旨在通过允许使用各种提示类型（包括边界框、点、套索和涂鸦）来精炼初始预测，从而改善疾病的定量评估。模型完全微调后表现最佳，Dice 分数提高了 4.7 个百分点，其中边界框提示显示出最强的结果，尽管其他交互式提示也被证明是有效的。
-
新的SAS技术提升了小型超声结构AI分割效果
研究人员开发了Segment Anything Small (SAS)，一种新颖的数据增强技术，旨在提高深度学习模型在分割超声图像中小解剖结构时的准确性。SAS采用调整器官缩略图大小和注入噪声的双重策略，以模拟不同的尺度和纹理，从而生成逼真的训练数据而不会产生伪影。该方法在分割性能方面显示出显著的改进，Dice分数提高了0.35，并为医学图像分析提供了一种计算效率高且不受资源限制的解决方案。
-
新型AI模型NerveDetNet使用OCT检测组织下的神经
研究人员开发了一种新颖的无标记框架，使用光学相干断层扫描（OCT）和名为NerveDetNet的深度学习模型来检测完整组织下的外周神经。该系统集成了手持式多模态探头，结合OCT、白光和自发荧光成像，在手术过程中提供皮下引导。NerveDetNet是一个轻量级分割网络，能有效从稀疏采样的OCT体积中恢复微弱的神经信号，达到0.725的Dice分数，并能在不打开组织或使用造影剂的情况下实现深度分辨检测，检测深度可达组织表面以下1.4毫米。
-
新AI方法使用隐式神经网络建模地理萎缩进展
研究人员开发了一种使用隐式神经网络（INRs）的新方法来模拟年龄相关性黄斑变性（AMD）患者的地理萎缩（GA）进展。该方法旨在即使在数据有限的情况下，也能在个体层面预测病灶随时间的增长。所提出的方法展示了具有竞争力的分割质量，在GA病灶面积方面实现了最低的平均绝对误差，在Dice分数方面实现了最高，同时保持了眼底自发荧光（FAF）图像的质量。
-
新的OTLesMix方法生成多样化的合成脑部病变，以改进AI分割
研究人员开发了一种名为OTLesMix的新方法来生成合成医学图像，特别侧重于脑部病变。该技术利用Wasserstein质心和最优传输图来创建多样化的病变形状和位置，解决了现有数据增强方法的一个关键限制。在三个脑部病变分割任务中应用OTLesMix后，与不使用合成数据训练相比，Dice分数显著提高了2.9至6.6分，并且优于其他基于混合的合成技术。
-
AI模型通过分割预训练减少了脊柱退变分级的标签需求
研究人员开发了一种使用分割预训练对腰椎退变进行分级的新方法，该方法显著减少了专家标注的放射学分级需求。通过预训练3D ResNet编码器来分割椎骨和椎间盘等解剖结构，该系统仅用20%的手动分级标签即可达到接近全监督的性能。该方法在各种病理学中均表现出改进的性能，特别是对于不常见或空间特异性疾病，使用伪标签达到了0.94的Dice分数。
-
AI模型改进动态MRI扫描中的子宫内膜分割
研究人员开发了一种无监督对抗域自适应框架，以改进动态EPI MRI扫描中的子宫内膜分割。该方法将分割知识从标记的电影MRI数据转移到未标记的动态EPI数据，解决了伪影和低分辨率等挑战。实现的Unet-LSTM模型取得了0.88的Dice分数和0.80的Jaccard指数，能够评估子宫收缩与动态T2*变化之间的相关性。
-
AI模型加速肝脏肿瘤消融计划制定
研究人员开发了一个基于物理指导的深度学习模型，以加速肝脏肿瘤微波消融（MWA）的计划制定。该模型基于多物理场仿真数据进行训练，在一个也包含遗传算法的计划框架内充当快速前向模型。与临床医生定义的计划相比，该系统在消融效率和减少器官损伤方面取得了95.1%的Dice分数，并显示出显著的改进，同时比传统的基于仿真的计划快约420倍。
-
用户提示的先验信息可提升CT扫描中癌症病灶分割效果
研究人员探讨了用户提供的先验信息如何增强计算机断层扫描中癌症病灶的半自动分割。研究发现，更复杂的空间先验信息，如边界框和单层轮廓，显著提高了分割精度。具体而言，使用三个正交平面（轴向、冠状和矢状面）的轮廓在外部测试集上取得了最佳结果，平均Dice得分为0.882，比基线模型有了显著改进。
-
MRI表示法用于深度学习FCD分割的基准测试
研究人员对用于局灶性皮质发育不良（FCD）的深度学习分割的磁共振成像（MRI）表示法进行了基准测试。他们使用nnU-Net框架，在一个包含85名FCD患者和25名对照者的数据集上评估了八种输入配置。研究发现，FLAIR图像作为单一模态表现最佳，而结合比率衍生的表示法与T1w和FLAIR图像可以改善病灶描绘，其中四通道多模态配置达到了最高的Dice分数0.376。
-
人机协作提升医学图像分割精度
研究人员开发了Hi-Seg框架，该框架增强了Segment Anything Model (SAM)在医学影像肺结节分割方面的能力。这个包含人类在内的系统允许标注员（包括非医学人员）迭代地优化AI生成的掩码，从而提高准确性并减少标注时间。在一项使用来自千余名患者的CT扫描进行的大规模研究中，Hi-Seg实现了近85%的平均Dice分数，显著优于现有的深度学习模型和SAM变体。研究结果表明，这种协作方法可以简化临床工作流程，并安全地将基…
-
AI 通过新框架和技术推动医学图像分割发展 · 跟踪 8 个来源
研究人员正在开发先进的医学图像分割 AI 框架，重点是提高准确性和效率。Hi-Seg 通过人机协作增强了用于肺结节分割的 Segment Anything Model (SAM)，实现了高 Dice 分数并缩短了标注时间。PU-UNet 引入了稳定的乘法交互用于医学图像分割，在保持效率的同时提高了 Dice 和 IoU 分数。CSWinUNETR 使用交叉条纹自注意力机制和多尺度模块来处理薄的解剖结构，性能优于现有方法。此外，SegD…
-
新的小波方法改进了跨域眼底图像分割
研究人员开发了一种新颖的小波引导分割网络WaveSDG，以解决不同采集条件下眼底图像分割的挑战。该方法通过将图像分解为小波子带，将解剖结构与特定域的外观分离开来。一个关键组件，基于小波的不变结构提取和细化（WISER）模块，可以细化特征以锚定全局解剖结构，同时增强边缘并减少噪声。在视杯和视盘分割上的评估表明，WaveSDG与现有的最先进方法相比，具有优越的性能和鲁棒性。
-
自监督MAE预训练提升nnFormer在医学图像分割中的性能
研究人员开发了一种使用掩码自编码器（MAE）的自监督预训练框架，以提高nnFormer模型在医学图像分割中的效率。该方法通过重建被掩盖的部分，使模型能够从无标签的医学图像中学习解剖结构表示，从而解决了医学影像中标记数据有限的挑战。实验表明，该方法在标记数据较少的情况下，能够提高分割性能，加速微调收敛，并改善泛化能力。