nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation
PulseAugur coverage of nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation — every cluster mentioning nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation across labs, papers, and developer communities, ranked by signal.
9 天有情绪数据
-
新的蒸馏方法提高了医学图像分割的准确性和效率
研究人员开发了一种名为位移保持关系蒸馏（DPRD）的新方法，以提高3D医学图像分割的准确性和效率。DPRD通过保留复杂的解剖结构和减少噪声来解决传统知识蒸馏的局限性。当与nnU-Net框架集成时，DPRD在ISLES 2022和AMOS 2022基准测试中表现出卓越的性能，在AMOS数据集上实现了85.46%的Dice分数，同时使用的参数和计算资源远少于教师模型。这一进展为在资源有限的临床环境中部署高性能分割模型提供了鲁棒的解决方案。
-
AI框架辅助通过组织病理图像诊断肝癌
研究人员开发了一种新颖的框架，利用语义分割从组织病理图像中诊断肝癌。该方法通过分配主导像素级标签来确定图像级诊断，旨在缓解标本变异性和注释噪声带来的挑战。该系统在肝细胞癌、胆管细胞癌和结直肠转移性腺癌数据集上进行了训练，取得了高平衡准确率，显示出支持病理学家和降低诊断成本的潜力。
-
深度学习模型实现人群规模阴茎MRI分割
研究人员开发了一个深度学习框架，可自动分割DIXON MRI扫描中的阴茎组织，从而实现男性生殖健康研究的人群规模定量表型分析。该模型在精心策划的数据集上使用3D nnU-Net架构进行了优化，并在独立测试集上达到了观察者级别的准确性。该框架已成功应用于超过34,000名UK Biobank参与者，证明了其高可重复性，并为解剖学评估提供了一种可扩展的方法。
-
前列腺MRI假阳性在不同架构中模仿癌症特征
研究人员进行了一项多架构研究，以分析前列腺MRI检测中的假阳性。他们发现残留的假阳性与实际癌症共享影像学特征，这一特征在各种模型架构中持续存在。开发了一个事后精炼头以提高病例级特异性，在特定数据折叠中显示出性能的显著提高，但在外部数据集上饱和。
-
AI代理OncoAgent将放射治疗计划调整为新的临床指南
研究人员开发了OncoAgent，一个新颖的AI框架，旨在自动勾画放射治疗中的临床靶体积（CTV）。该代理将文本临床指南转换为三维轮廓，而无需重新训练，解决了现有深度学习模型的一个关键限制。在食管癌病例的评估中，OncoAgent取得了与监督方法相当的性能，并因其符合指南和临床可接受性而受到医生青睐。该框架在没有进一步训练的情况下，还展示了对不同解剖部位和指南的泛化能力。
-
AI框架生成可控的4D心脏MRI序列
研究人员开发了一种新颖的框架，用于生成可控的4D心脏MRI序列，解决了标注数据不足和领域偏移的限制。该系统利用半监督变分自编码器学习解剖表示，并利用级联潜在扩散模型将解剖结构与运动解耦。这种方法可以精确控制静态解剖结构并确保时间连贯性，从而在扩充训练数据时提高下游分割性能。
-
AI框架增强颅内动脉瘤检测和分割 · arXiv论文
研究人员开发了一种新颖的多任务学习框架，用于颅内动脉瘤的分类和分割。该框架同时对13个解剖位置和四种成像模态的动脉瘤和血管进行多标签分类和多类别分割。该系统结合了2D三轴感兴趣区域提取和3D nnU-Net骨干网络，在RSNA 2025颅内动脉瘤检测挑战赛中获得第二名。该方法的代码和模型权重均公开可用。
-
前列腺MRI分割的门控行为取决于骨干架构
一篇新研究论文探讨了在多模态分割中使用MRI扫描检测前列腺癌时，模态门控机制的行为。该研究通过对nnU-Net和Mamba等不同骨干进行广泛的交叉验证，发现这些门控机制的有效性高度依赖于所选的骨干架构。具体而言，nnU-Net的门控倾向于静态化，而Mamba的门控则保持样本依赖性变化，从而在Mamba配置中获得更好的鲁棒性，尤其是在结合模态dropout时。
-
人工智能通过非增强核磁共振成像预测脑肿瘤增强，表现优于放射科医生
研究人员开发了一种深度学习模型，能够从非增强核磁共振成像扫描中预测脑肿瘤增强，有望减少对造影剂的需求。该模型经过超过 11,000 项研究的训练，在检测增强方面达到了 83.0% 的平衡准确率，优于 11 位专家放射科医生在盲法条件下达到的 71.7% 的准确率。该人工智能有望成为一种决策支持工具，特别是在标记可能显示增强的扫描以及减少神经肿瘤学中对钆的依赖方面。
-
Render-FM 实现实时照片级 CT 扫描渲染
研究人员开发了 Render-FM，这是一种新颖的前馈模型，专为 CT 扫描的实时照片级体积渲染而设计。该模型通过直接预测渲染参数，将渲染过程的速度从数小时或数分钟显著提高，缩短至短短 2.8 秒。Render-FM 采用了解剖引导式预处理技术，以提高医学成像的准确性，并展示了对未见解剖结构和传递函数的泛化能力，从而无需额外的准备时间即可实现组合器官可视化。
-
新AI框架在CT扫描中心腔分割方面显示出潜力
研究人员开发了ChameleonNet，一个旨在从无对比剂CT扫描中分割心腔的深度学习框架。该方法利用对比非配对图像翻译从增强对比剂的图像合成无对比剂CT图像，然后采用修改后的nnU-Net进行分割。虽然该系统在合成数据上显示了可行性并取得了较高的Dice相似系数，但在真实无对比剂扫描上的显著体积误差表明，临床应用还需要进一步完善。
-
FetalSynthSeg 使用合成数据增强胎儿脑部 MRI 分割
研究人员开发了 FetalSynthSeg，一个用于生成合成胎儿脑部 MRI 数据的新框架，以提高分割准确性和域泛化能力。研究发现，基于简单高斯混合模型的强度建模和强度聚类比基于物理的复杂模拟更能增强域外鲁棒性。FetalSynthSeg 在 FeTA 2024 数据集上取得了最先进的性能，并在不同模态和站点之间展现了强大的分割能力，优于 BOUNTI 和 nn-Net 等现有方法。
-
MNet++ 通过自适应融合和状态空间建模增强医学图像分割
研究人员成功复现并扩展了 MNet，这是一个用于医学图像分割的混合二维/三维卷积网络。该研究在对前列腺 MRI 和肝脏 CT 数据集进行了验证，取得了较高的 Dice 系数。引入了两个新扩展：一个用于自适应特征融合的学习式门控机制（Fusion Gating）和一个用于改进长程建模的 VMamba 模块，两者都保持了对各向异性条件的鲁棒性。
-
新的AC2RUNet模型提高了动脉环分割的准确性
研究人员开发了一种名为AC2RUNet的新型U-Net架构，以改进对MRA扫描中的动脉环进行分割。该模型解决了血管拓扑复杂和碎片化带来的挑战，这些问题通常会导致标准CNN出现血管断裂伪影。AC2RUNet采用双流方法，将静态解剖特征提取与动态拓扑误差细化分开，并利用课程学习策略来改善拓扑连通性。
-
AI通过不确定性量化改进癌症病灶分割
研究人员开发了一个新框架，用于改进全身PET/CT扫描中用于癌症分期的病灶分割。该方法集成了贝叶斯集成以减少变异性，并量化不确定性以突出潜在的错误分类区域。不确定性感知训练提高了病灶检测能力，尽管它会以精度为代价，并且一种自适应路由策略进一步优化了性能。
-
++nnU-Net 通过基于配准的增强技术提升医学图像分割性能
研究人员开发了++nnU-Net，这是一个旨在改进医学图像分割的新数据增强模块。该模块利用两阶段图像配准过程生成合成数据，然后将其应用于分割掩模。在五个二维数据集上的评估表明，++nnU-Net 超越了标准的nnU-Net基线，在Dice相似系数得分方面取得了高达22%的性能提升。
-
AI框架Renal-Net改进了CT扫描上的肾脏肿块分割
研究人员开发了Renal-Net，一个用于分割CT扫描上肾脏肿块的AI框架，旨在改进肾脏体积和病灶的客观评估。该算法使用nnU-Net框架构建，并在公共数据上进行训练，表现出强大的泛化能力，并优于现有的最先进模型。跨不同患者亚组和CT对比阶段的验证证实了该算法的鲁棒性和可靠性，代码已公开提供。
-
合成MRI数据提升局灶性皮层发育不良的自动检测能力
研究人员开发了一种使用条件生成网络创建局灶性皮层发育不良（FCD）的合成MRI图像的方法。这些合成图像足够逼真，以至于专家几乎无法将其与真实扫描区分开来。使用这些合成数据增强检测模型提高了灵敏度和置信度，可能减少了对大量手动注释的需求。
-
新指标SC-MFJ评估医学图像分割中的触觉质量
研究人员开发了一种名为SC-MFJ的新指标，用于评估医学图像分割的触觉质量，这对于手术模拟至关重要。与关注几何重叠的传统指标不同，SC-MFJ测量模拟触觉渲染过程中接触力的抖动。这一新指标揭示了不同分割方法之间触觉质量的显著差异，突出了几何指标所忽略的问题。
-
新框架RAMP提升CT分割模型鲁棒性
研究人员开发了一个名为RAMP的新框架，以提高用于CT图像分割的深度学习模型的鲁棒性。该框架解决了模型在遇到现实临床成像条件（如噪声和对比度变化）时性能下降的问题。通过使用RAMP进行训练，该框架模拟了各种图像损坏，所提出的系统在损坏图像上表现出显著更好的性能，并缩小了干净图像和损坏图像结果之间的差距。