KiTS23
PulseAugur coverage of KiTS23 — every cluster mentioning KiTS23 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
基础模型块标记增强肾脏肿瘤和囊肿检测
研究人员开发了DINOv3-MIL，一种使用基础视觉模型检测肾脏肿瘤和囊肿的新方法。该方法利用DINOv3 ViT-H/16特征的块标记，并比较了三种聚合策略：CLS标记线性探测、门控注意力多示例学习（MIL）和原型头。门控注意力MIL方法表现出卓越的性能，在KiTS23数据集的肿瘤和囊肿检测中均取得了最高的AUROC，同时通过将注意力集中在标注的病灶上，还提高了可解释性。
-
AI模型LesionDETR对CT扫描中的肾脏病灶进行表征
研究人员开发了LesionDETR，一种新颖的深度学习模型，旨在更详细地表征CT扫描中的肾脏病灶。与以往关注器官层面预测的方法不同，LesionDETR能够预测单个病灶及其属性，如类型、大小和增强情况。该模型在两个数据集上均取得了优异的性能，展示了其生成结构化放射学报告的潜力。
-
新的SEMIR框架改进了小结构图像分割
研究人员开发了SEMIR，一种新颖的表示框架，旨在改进大规模图像中小而稀疏结构的分割。该方法通过学习任务适应的、拓扑保持的潜在图表示，将推理与原生图像网格解耦。SEMIR将网格图转换为紧凑的图微元，通过图神经网络实现高效的区域级推理，并在肿瘤数据集上持续改进少数结构分割。
-
稀疏卷积网络提高三维肾脏肿瘤分割的准确性和速度
研究人员开发了一种新颖的两阶段三维分割方法，使用子流形稀疏卷积网络（SSCN）来更高效、更准确地检测CT扫描中的肾脏肿瘤。该方法首先用低分辨率稀疏网络识别感兴趣区域，然后用高分辨率稀疏网络优化分割。与密集卷积网络以及nnU-Net和SegVol等其他模型相比，SSCN方法显著减少了内存使用和推理时间，同时在KiTS23数据集上实现了具有竞争力的准确性。