Medical Image Computing and Computer Assisted Intervention – MICCAI 2024
PulseAugur coverage of Medical Image Computing and Computer Assisted Intervention – MICCAI 2024 — every cluster mentioning Medical Image Computing and Computer Assisted Intervention – MICCAI 2024 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
AI挑战赛利用深度学习推进马杜拉足菌病诊断
一项名为mAIcetoma的挑战赛旨在利用AI推进马杜拉足菌病（一种被忽视的热带病）的诊断。该挑战赛专注于开发自动化模型，用于从组织病理学图像中分割马杜拉足菌病颗粒并对马杜拉足菌病类型进行分类。五个决赛团队开发了深度学习架构，利用马杜拉足菌病数据库（MyData）进行标准化评估。结果显示分割精度很高，在马杜拉足菌病类型分类方面表现显著，突出了颗粒检测在诊断中的重要性。
-
MARIO挑战赛显示AI在AMD检测方面可媲美医生，但在预测方面落后
在MICCAI 2024上举办的MARIO挑战赛，专注于利用深度学习分析光学相干断层扫描（OCT）图像，以检测和监测年龄相关性黄斑变性（AMD）。该挑战赛包含两项任务：对OCT扫描之间的变化进行分类，以及预测接受抗VEGF治疗的患者未来AMD的演变。虽然AI模型在分类当前AMD进展方面表现出医生级别的性能，但它们尚不能预测疾病的未来轨迹。
-
深度学习模型在分析视网膜图像方面展现出潜力
研究人员探索了使用深度学习模型，包括卷积神经网络、视觉Transformer和基础模型，来分析超广角（UWF）视网膜图像。该研究侧重于三个任务：评估UWF图像质量、识别可转诊的糖尿病视网膜病变（RDR）和检测糖尿病黄斑水肿（DME）。通过利用UWF4DR挑战数据集，研究团队在空间域和频率域对各种架构进行了基准测试，并结合了特征级融合以增强鲁棒性，同时使用Grad-CAM进行模型可解释性分析。
-
AI 模型在未见过的 PET/CT 示踪剂组合上表现不佳，尽管分割能力有所提升
在 MICCAI 2024 上举办的 autoPET3 挑战赛，专注于全身 PET/CT 扫描中的病灶自动分割，特别是测试组合泛化能力。该挑战赛使用了来自两家主要医院的超过 1600 项 PET/CT 研究的大型数据集，其中包括最大的公开可用的带注释 PSMA PET/CT 数据集。十七个团队开发了算法，主要基于 nnU-Net，其中表现最佳的团队取得了 0.66 的平均 Dice Similarity Coefficient (DS…