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.
11 天有情绪数据
-
新的AsymFeX框架改进了缺血性卒中分割
研究人员开发了AsymFeX，一个旨在改进跨各种成像模态和卒中阶段的缺血性卒中病灶分割的新型框架。这种两阶段方法首先校正头部倾斜以进行解剖对齐，然后采用不对称特征提取模块，该模块比较大脑半球之间的体素数据。AsymFeX模块利用跨半球注意力和特征差异估计来准确识别大范围和小范围的梗死，在临床数据集上表现出强大的性能，并能跨不同成像类型进行泛化。
-
MambaX-Net通过Mamba增强注意力提升前列腺MRI分割能力
研究人员开发了MambaX-Net，一种新颖的半监督分割架构，专为纵向前列腺MRI分析设计。该网络通过利用先前时间点的分割结果，解决了前列腺癌进展监测中专家标注有限的挑战。MambaX-Net包含一个Mamba增强交叉注意力模块，用于捕捉时空依赖性，以及一个形状提取模块，用于精细的区域划分，其性能优于现有的U-Net和Transformer模型。
-
新研究探索用于PET/CT病灶分割的多模态AI
两篇新研究论文探讨了用于癌症患者PET/CT病灶分割的多模态自监督学习。第一篇论文MUST-PET提出了一个框架，该框架同时使用PET和CT扫描数据，并在FDG和PSMA等不同放射性示踪剂之间进行训练，以提高泛化能力并减少对大量手动标注的需求。第二篇论文研究了结合两种示踪剂PSMA和FDG数据的各种融合策略，发现虽然融合可能是有益的，但特定于示踪剂的模型通常表现更好，特别是当示踪剂能够捕捉前列腺癌等病症的互补生物学信息时。
-
新的Teeth2Point框架增强了牙科CBCT分割
研究人员开发了Teeth2Point，一个旨在改进牙科CBCT扫描分割的新颖框架。这种两阶段方法首先使用卷积模型识别牙齿周围的感兴趣区域，然后将这些区域转换为点标记。Transformer模型利用这些点标记来预测准确的分割，有效地捕捉全局上下文，同时保持高分辨率。该框架的自监督预训练增强了对解剖学变异的鲁棒性，与现有方法相比，在复杂病例上表现得到改善。
-
LoRA微调MedSAM3仅需少量标注即可实现医学图像分割
一项新研究探讨了使用MedSAM3基础模型进行LoRA微调以实现医学图像分割的有效性。研究人员发现，仅需10个标注病例，经过LoRA适配的模型就能在性能上媲美在更多数据上训练的专业系统。该方法对于现有工具范围之外的心脏分割任务也同样有效，并显著缩短了训练时间。
-
胶质母细胞瘤数据集 CFB-GBM v2.0 增强了完整的 GTV 分割
研究人员发布了 CFB-GBM v2.0，这是一个用于胶质母细胞瘤研究的扩展数据集，现已包含 264 名患者的完整肿瘤体积 (GTV) 描绘。该数据集可在 The Cancer Imaging Archive 上获取，使用 nnU-Net 模型进行分割，并提供衍生的 volumetric RANO 2.0 反应标签。此外，它还包括预先计算的大脑掩码和影像组学特征，以促进可复现的计算方法，用于治疗反应预测和疾病进展建模。
-
研究发现：AI模型用于CT分割时在领域迁移方面存在困难
研究人员开发了一种控制多器官CT分割风险的方法，旨在为AI模型提供器官特定的召回保证。该研究使用在AMOS上训练的nnU-Net模型校准了每器官阈值，然后审计了其向RAOS数据集的可迁移性。虽然AMOS控制是成功的，但在迁移后，相当数量的器官超出了可接受的风险阈值，这表明领域迁移存在挑战。
-
VesselBridge3D框架适应基础模型以实现低数据3D血管分割
研究人员开发了VesselBridge3D，一个旨在改进医学影像中3D血管分割的新框架，特别是在数据稀疏的情况下。该框架使用轻量级3D适应模块来适应现有的基础模型，如DINOv3、MedSAM和MedGemma。VesselBridge3D展示了显著的性能提升，在仅有五个训练样本的情况下，比最先进的方法提高了30%，并在应对域偏移方面表现出卓越的鲁棒性。
-
AI模型增强了医学影像中无CT的PET衰减校正
研究人员开发了一种通过合成多模态伪CT图像来实现无CT PET衰减校正的新方法。他们的方法提交给了BIC-MAC 2026挑战赛，采用了改进的nnU-Net架构，结合了解剖学和物理学监督。该系统利用一个冻结的TotalSegmentator特征提取器进行解剖学指导，并利用一个可微分的投影损失进行物理学监督，该方法建立在SynthRAD挑战赛数据集上预训练的权重之上。
-
深度学习模型在脑肿瘤分割中显示出可靠性问题
一项发表在arXiv上的新研究调查了深度学习模型在脑肿瘤分割中的可靠性，特别关注BraTS-GoAT数据集。研究人员评估了一个标准的nnU-Net模型和一个深度集成模型，发现虽然集成模型在分布内数据的校准和准确性方面提供了适度的改进，但在模拟采集偏移的合成损坏下，其性能显著下降。研究强调，集成模型中的成员间分歧比单模型置信度更能敏感地指示这些偏移，尽管每体素误差定位随着损坏严重程度的增加而减弱。
-
Transformer网络增强CT扫描中左前降支三维分割
研究人员开发了一种新颖的基于Transformer的网络NA-UNETR，旨在精确分割CT扫描中的左前降支（LAD）动脉。该模型结合了邻域注意力模块，以有效捕捉精细的结构细节和更广泛的上下文信息，解决了LAD尺寸小、对比度低的挑战。该框架还利用了不确定性引导的优化方法和复合损失函数，以提高重叠和边界精度，特别是在标注数据有限的情况下。
-
新的自适应提示框架改进了多器官超声分割
研究人员开发了BAP-MOS，一种用于多器官超声分割的新型框架，该框架解决了相邻结构和局部边界误差的挑战。该系统采用自适应提示策略，将提示选择视为一个特定器官的多臂老虎机问题。这种方法在微调过程中优化提示偏好，从而显著提高了分割精度，尤其是在边界敏感的任务中。
-
新的DINO-3DRA框架改进了3D脑动脉瘤分割
研究人员开发了DINO-3DRA，一种用于分割3D旋转血管造影（3DRA）数据中脑动脉瘤的新型框架。该系统有效地将来自2D基础模型（如DINOv3）的语义知识转移到3D U-Net架构中。这种双路径方法解决了类别不平衡和形态相似性等挑战，实现了最先进的分割性能，并且可训练参数比现有方法少得多。
-
深度学习可自动测量 MRI 股骨髋臼撞击角度
研究人员开发了一个名为 nnU-Net 的深度学习模型，可自动从零回波时间 (ZTE) MRI 扫描中计算股骨髋臼撞击 (FAI) 角度。该方法旨在取代传统的计算机断层扫描 (CT) 扫描，后者涉及电离辐射和手动测量。自动化系统在大多数角度（包括髋臼前倾角和中心边缘角）上与专家手动读数表现出高度一致性，并且在多项测量中其一致性范围比人工评估者更窄。
-
新的Curia-MAE方法增强了3D医学图像分割
研究人员开发了Curia-MAE，一种用于3D医学图像分割的新预训练方法，旨在改进现有的基础模型。该方法包含一个强大的重建目标、一个特征正则化器和一个局部-全局相似性目标。Curia-MAE在30万张跨越不同解剖部位的CT和MRI图像上进行了预训练，并在分割基准测试中展示了改进的性能，尤其是在标记数据稀缺的以病灶为中心的任务上。
-
AI肺癌筛查得益于模拟CT扫描
研究人员开发了一种新颖的方法，利用基于物理的、解剖学信息的模拟CT扫描来解决AI肺癌筛查中带注释数据稀缺的问题。通过创建数字人体孪生并模拟CT扫描，他们生成了一个数据集，显著提高了AI模型在检测、分割和恶性度分类任务中的性能。这种方法有望增强AI在医学影像中的能力，特别是在罕见疾病表现方面。
-
新型AI模型增强了对MRI和临床数据的胶质瘤分析
研究人员开发了两个独立的多模态大语言模型，用于分析脑部MRI扫描和临床数据，以改进胶质瘤的诊断和分割。第一个模型NeuroMosaic使用解剖学索引路由机制，将MRI区域与临床叙事和分子概念联系起来，在亚型分类和分子标记物预测方面取得了高精度。第二个模型VoxTell则调整了一个视觉-语言基础模型，根据文本指令优化胶质瘤子区域分割，展示了更高的Dice相似系数，并支持其作为临床医生辅助工具的潜力。
-
RadYOLO为医学扫描提供高效的3D对象检测
研究人员开发了RadYOLO，这是YOLO对象检测模型的一个3D扩展，专门为CT和MRI扫描等医学成像任务设计。该新模型旨在提供计算高效的解决方案，在资源受限的硬件上也能平衡高检测性能和快速执行。与nnU-Net和nnDetection等成熟方法相比，RadYOLO在各种数据集和对象尺寸上均展现出优越或相当的检测性能，同时在推理速度上显著优于它们，使其成为临床和边缘设备部署的有前景的工具。
-
新AI方法提高术后胶质瘤分割精度
研究人员开发了一种新方法，以提高术后胶质瘤分割的精度，这是早期检测肿瘤复发的关键任务。他们的方法通过结合脑掩膜百分位数归一化和体素级对比学习，解决了标准广义Dice损失（GDL）在域偏移下的不稳定性问题。此外，他们引入了一个子空间感知类注意力（SACA）模块来增强瓶颈特征，使增强肿瘤的敏感性提高了8%。当与nnU-Net集成时，这些改进实现了0.94的整体病灶Dice分数并改善了边界误差。
-
StrokeSeg2 框架简化临床 AI 部署
研究人员开发了 StrokeSeg2，这是一个轻量级、模块化的 C++/Qt 框架，旨在使基于深度学习的脑病灶分割在临床研究中更易于访问。该框架通过知识蒸馏进行架构压缩和使用 ONNX Runtime 进行推理优化，将 nnU-Net 等资源密集型管道改编为可移植应用程序。这种方法显著减小了模型的大小和能耗，使其能够在没有外部依赖的情况下部署在标准的临床工作站上。