Image and video processing using multiple pipelines
PulseAugur coverage of Image and video processing using multiple pipelines — every cluster mentioning Image and video processing using multiple pipelines across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新型ZAGNet模型使用图神经网络进行肺部超声诊断
研究人员开发了ZAGNet，一种新颖的区域感知图神经网络，用于患者级别的肺部超声诊断。该网络通过将病理学发现表示为图，解决了当前AI方法的局限性，从而允许跨解剖区域传播上下文信息。ZAGNet可以有效地处理具有缺失区域的不完整扫描协议，并在诊断实变和胸腔积液方面比传统池化方法显示出显著的准确性提高。
-
AI研究质疑医学影像表示中基于距离的估计的可靠性
一篇新发表在arXiv上的研究论文探讨了AI生成表示的基于距离的估计方法的可靠性，特别是在医学影像的背景下。研究发现，尽管解耦技术可以改变这些表示的几何形状，但它们并不一定能提高可靠性估计器的准确性。即使信息仍然是可解码的，它也可能变得无法被标准的可靠性评估工具访问，这凸显了分类性能与学习到的表示对下游任务的效用之间的差距。
-
新框架通过合成预训练简化患者特定手术配准
研究人员开发了一种新的患者特定二维/三维配准框架，这是图像引导手术的关键过程，用于将术前 CT 扫描与术中 X 射线图像对齐。所提出的方法利用了面向患者的无偏合成预训练，其中模型首先在从多个 CT 扫描生成的合成 X 射线图像上进行训练。然后，该预训练模型使用有限数据针对特定患者进行调整，从而显著降低了计算效率低下问题。该框架采用了域随机化技术，以增强对现实世界成像变化的鲁棒性，并使用球形相似性学习结合 Levenberg-Marqu…
-
ConRad框架增强了医学影像组学的一致性预测
研究人员开发了ConRad，一个用于影像组学一致性预测的新框架，旨在提高医学影像测量值的效率和可靠性。ConRad通过构建适应性预测区间来解决过度自信或校准不佳的分割模型问题，这些区间整合了测试时信息，如图像外观、掩模几何形状和分割不确定性。跨多个数据集和影像组学目标的实验表明，ConRad在保持覆盖率保证的同时实现了更好的特征级效率，其中分割边界不确定性被确定为其性能的关键因素。