PulseAugur
中
实时 06:57:42
实体 Medical Segmentation Decathlon

Medical Segmentation Decathlon

PulseAugur coverage of Medical Segmentation Decathlon — every cluster mentioning Medical Segmentation Decathlon across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
2
90 天内 4
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 4
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 4 条
  1. TOOL · CL_282188 ·

    主动学习增强了可微神经架构搜索在3D医学图像分割中的应用

    研究人员开发了Active-DiNTS,一种将主动学习与可微神经架构搜索(NAS)相结合的新方法,用于3D医学图像分割。该方法联合优化网络拓扑和标签策展,显著降低了对大量标注预算和多GPU集群的需求。通过使用熵、方差或标准差等不确定性信号对未标记数据进行排序,Active-DiNTS能够有效地选择需要标注的卷,从而在Medical Segmentation Decathlon等基准测试中提高分割精度。

  2. TOOL · CL_275409 ·

    新型MRFFU-Net架构提高了MRI分割精度

    研究人员开发了一种名为多分辨率特征融合U-Net(MRFFU-Net)的新型深度学习架构,旨在改进磁共振成像(MRI)扫描的分割。这种新颖的架构将多分辨率特征融合模块集成到类似U-Net的模型中,增强了其捕捉细粒度细节和全局上下文信息的能力,这对于分割具有不规则边界和不同对比度的复杂解剖结构至关重要。MRFFU-Net在脑脊液分割的脊柱MRI扫描数据集和Medical Segmentation Decathlon的心房分割数据集上进行…

  3. RESEARCH · CL_18323 ·

    新的 AI 模型提供改进的脑肿瘤分割和效率提升

    研究人员开发了 DALight-3D,一种计算效率更高的 3D U-Net 变体,用于从多模态 MRI 扫描中分割脑肿瘤。该模型在参数方面优于 Residual 3D U-Net 等基线模型,实现了有利的准确性-效率权衡,同时保持了有竞争力的性能。另外,另一项研究利用 SegResNet 架构和各种精度训练,在脑肿瘤分割中取得了 0.84 的 dice 分数。

  4. RESEARCH · CL_08187 ·

    SAM模型在CT扫描中显示出稳定的脾脏分割能力,不受域偏移影响

    研究人员评估了分割一切模型(SAM)在腹部CT扫描中进行脾脏分割的鲁棒性,模拟了噪声和分辨率变化等各种域偏移。研究发现,在这些模拟条件下,SAM在分割精度方面保持了稳定的性能,下降幅度极小。这些发现表明,SAM作为医学影像应用的可靠基础模型具有潜力,包括在健康数字孪生领域,因为在这些领域一致的解剖建模至关重要。