LIDC-IDRI
PulseAugur coverage of LIDC-IDRI — every cluster mentioning LIDC-IDRI across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新的AXON框架从2D X射线重建3D CT体素
研究人员开发了AXON，一个利用多阶段扩散模型从标准2D X射线重建详细3D CT体素的新颖框架。该方法旨在通过克服传统CT扫描的局限性，如高辐射暴露和成本，来提高诊断的可及性。AXON采用粗到精的策略，首先使用布朗桥模型进行全局结构重建，然后使用ControlNet进行局部细节增强，并增加了双平面视图集成和超分辨率的功能。
-
AI不确定性指标在肺结节存在歧义方面失效
一篇新的arXiv论文研究了深度学习中随机不确定性估计在3D肺结节分割中的有效性。研究发现，基于熵的标准不确定性度量虽然与边界噪声相关，但不能充分捕捉关于结节存在的临床显著歧义。研究人员证明，一个简单的、在现有分割特征上训练的监督歧义头，其性能显著优于基于熵的方法，甚至能媲美更复杂的歧义建模技术。这表明，在安全关键的医疗应用中，当前的随机不确定性方法可能不是临床歧义的可靠代理。
-
新的CBM方法减少了可解释癌症影像的标注负担
研究人员开发了一种新的方法，使用概念瓶颈模型（CBM）进行可解释的癌症影像诊断。该方法整合了有限的概念标注、类别条件分布匹配和先验初始化，以提高透明度。混合CBM在概念AUC方面显示出显著的提升，尤其是在低标注场景（0-20%）下，同时保持了与黑盒模型相当的诊断性能。
-
LLM框架ConfTriage助力肺结节恶性肿瘤预测
研究人员开发了ConfTriage，一个利用大型语言模型（LLMs）预测肺结节恶性肿瘤的新型框架。该系统利用结节属性的自然语言描述，结合置信度校准，对病例进行分诊。对于低置信度预测，ConfTriage会将病例推迟给专家的深度学习模型。在LIDC-IDRI数据集上的实验表明，ConfTriage的F1分数达到88.22%，AUC为0.92，仅通过零样本LLM推理就成功解决了大部分病例。
-
新方法提炼CT基础模型用于肺结节恶性肿瘤预测
研究人员开发了一种将CT基础模型提炼为可编辑的概念瓶颈以预测肺结节恶性肿瘤的方法。这些模型将CT表示映射到放射科医生定义的属性，并根据这些概念和结节大小预测恶性肿瘤。该方法展示了适度的概念保真度，并在恶性肿瘤鉴别方面达到了与单独使用结节大小相当的水平，提供了可通过受控概念干预进行修改的透明预测。
-
新的放射组学框架解耦CT/MRI中的体素几何与信号变化
研究人员开发了一个新的放射组学框架，该框架考虑了医学成像（特别是计算机断层扫描（CT）和磁共振成像（MRI））中的体素间距。这种体素间距感知（VS）方法旨在将真实的体素几何与各向异性图像中常见的插值引起的信号变化分离开来。实验表明，在一致性方面，VS方法与原始的、未重采样提取（NR）方法非常接近，并能保持预测性能，为放射组学分析提供了一种更连贯的替代方案。
-
新的扩散模型应对医学影像中的公平性、歧义性和多任务处理 · 跟踪4个来源
四篇新研究论文介绍了用于医学影像任务的新型扩散模型架构。CompDiff 通过将条件分解为单属性、成对和组合表示，专注于跨人口统计群体生成公平的医学影像。体积定向扩散 (VDD) 通过使用粗略的共识预测作为锚点并学习用于边界变化的定向扩散过程来解决 3D 医学影像分割中的歧义问题。UniT-Diff 提出了一个统一的扩散分割框架，该框架使用特定于任务的输出空间和自适应条件，将半监督学习、无监督域适应和域泛化整合到一个模型中。最后，LA…
-
Pixel-Level Residual Diffusion Transformer 推进 3D CT 体积生成
研究人员推出了一种新颖的框架 Pixel-Level Residual Diffusion Transformer (PRDiT)，用于生成高分辨率 3D CT 医学体积。该模型采用两阶段方法，首先使用基于 MLP 的去噪器处理低频结构，然后使用具有内存高效注意力的残差扩散 Transformer 处理高频细节。在 LIDC-IDRI 和 RAD-ChestCT 数据集上的实验表明，PRDiT 在生成详细准确的医学影像方面优于 HA-…
-
医学影像AI易受未监控的采集状态变化影响
一项新的研究论文强调了医学影像AI中一个关键的、未被监控的变量：采集状态。研究表明，即使在患者和采集参数完全相同的情况下，重建核（reconstruction kernels）的变化也会显著改变AI测量的结节大小，甚至改变分类类别。这种对标准DICOM元数据不可见的“不稳定性”会根据噪声和频率内容的不同程度地影响检测置信度和测量可靠性，因此需要进行面向采集状态的验证才能获得AI认证。
-
新的AI框架可从稀疏X光片重建肺结节
研究人员开发了AReT，一种使用修改后的张量辐射场方法从稀疏X光片视图重建肺结节的新型框架。通过调整密度偏移参数并结合解剖感知正则化，AReT能够仅从三个正交投影稳定地进行体积重建，这与需要密集多视图数据的现有方法不同。该系统在临床可操作结节的体积测量方面表现出高精度，显著优于球形近似和其他重建策略。
-
研究人员开发 ProSeg 用于多样化和个性化的医学图像分割
研究人员开发了 ProSeg，一种用于多评分者医学图像分割的新型概率建模方法。该方法通过引入潜在变量来捕捉专家偏好和边界不确定性，解决了评分者间变异性和病灶边界模糊的挑战。ProSeg 能够生成多样化且个性化的分割输出，在鼻咽癌和肺结节数据集上取得了最先进的性能。
-
AI肺结节筛查灵敏度随CT重建和结节相位变化
一篇新论文探讨了肺结节在CT扫描重建周期中的位置（称为z轴相位）如何显著影响基于AI的检测系统的灵敏度。研究发现，当重建间隔与结节直径之比为1.0或更大时，z轴相位成为检测变异的主要因素，这是一种当前质量指标或AI置信度分数未能捕捉到的随机效应。这表明医学影像中的AI性能可能受到细微的、协议层面的变化的影响。