PET-CT
PulseAugur coverage of PET-CT — every cluster mentioning PET-CT across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
专业化LMM在PET/CT癌症诊断方面展现潜力
研究人员通过微调LLaVA-NeXT开发了一种专业化的大型多模态模型（LMM），用于解读头颈癌的PET/CT扫描。该专业化模型在外部验证中，于ROUGE-L、召回率和F1等指标上取得了高分，显著优于ChatGPT和基础LLaVA-NeXT等通用模型。该模型在原发肿瘤分类和淋巴结转移定位方面表现出有希望的准确性，表明其在诊断支持和医学教育领域具有临床转化的潜力。
-
新数据集和基准推动3D医学视觉-语言模型发展
研究人员推出了MetaStructAtlas，这是一个用于解释全身PET/CT扫描的新型数据集。该数据集包含共配准的3D PET和CT图像，以及广泛的器官级分割掩码和放射学报告。为了进一步推动该领域的发展，他们还开发了MetaStructVQA，一个用于3D接地式视觉问答的基准，该基准将诊断查询与扫描内的特定视觉证据联系起来。这项工作旨在改进核医学应用的3D医学视觉-语言模型。
-
AI模型通过交互式涂鸦增强PET/CT病灶分割
研究人员开发了一种新颖的PET/CT扫描交互式病灶分割方法，采用涂鸦条件化ResEnc U-Net。该方法利用用户提供的涂鸦来标记前景和背景，显著提高了分割精度。该模型从先前挑战获胜者的权重初始化，经过微调和集成，在交互式校正后达到了0.751的平均Dice分数和0.733的病灶级别F1分数。
-
LLM在放射学报告准确性和纵向数据提取方面的评估 · 已追踪2个来源
研究人员正在探索使用大型语言模型（LLM）来提高放射学报告的质量和提取纵向信息。一项研究将领域特定的BERT模型与开源LLM（如Qwen3-32B、Gemma-3:27B和Llama-3.3-70B）进行了比较，用于检测PET/CT报告中的错误，发现紧凑的领域特定模型取得了更高的准确性。另一篇论文开发了一个基于LLM的管道，利用Qwen2.5-32B自动标注放射学报告中的纵向信息，为评估报告生成模型创建了一个标准化的基准。
-
AI模型应对PET/CT病灶分割挑战
Libo Zhang开发了一种新颖的三阶段课程学习方法，用于PET/CT扫描中的交互式病灶分割，以应对autoPETV大挑战。该方法采用约1.4亿参数的U-Net架构，训练了4000个epoch。课程从全自动分割开始，然后学习来自真实情况的涂鸦，最后通过在线纠错模拟来适应自身的错误。该解决方案在交叉验证中取得了优异的成绩，并展示了交互式纠错步骤的显著改进。
-
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。
-
新框架评估AI在医学扫描中检测淋巴瘤的能力
研究人员开发了一个新框架，用于评估用于从PET/CT图像中分割淋巴瘤的深度神经网络。该框架通过纳入分布外测试并将模型性能与人类专家进行比较，解决了当前研究的局限性。该研究在一个大型数据集上评估了四种网络——ResUNet、SegResNet、DynUNet和SwinUNETR——发现网络在较大、更强的病灶上表现最佳，这与人类观察者相似。目标是提高自动分割的临床相关性，以改善淋巴瘤患者的治疗决策。
-
AI 利用多标签学习从扫描中预测肺癌突变
研究人员开发了一种使用深度学习的多标签学习方法，通过 PET/CT 扫描预测非小细胞肺癌 (NSCLC) 中的特定基因突变（EGFR、TP53 和 KRAS）。该研究在英国队列中进行，发现多标签学习的有效性因基因突变对而异，其中 KRAS 和 TP53 的联合预测显示出更高的 AUC 分数。这些发现表明，针对特定突变建模策略可能更有利于 PET/CT 影像组学预测。
-
新基准和方法推动医学视觉语言模型发展
研究人员开发了新的基准和蒸馏技术，以提高视觉语言模型（VLM）在医学领域的性能。PathAgentBench 专注于评估 VLM 直接从全切片病理图像中获取和整合证据的能力，揭示了当前模型在证据获取方面存在显著的性能差距。同时，Med-OPD 引入了一种面向证据的在线策略蒸馏方法，以增强医学 VLM 对视觉证据的依赖，而非语言先验。此外，一个用于 PET/CT 报告生成的新越南语多模态数据集旨在提高 VLM 在低资源语言和功能成像任务…
-
LLM 和 RL 在新的 RADIANT-PET 框架中增强 PET/CT 病灶分割
研究人员开发了 RADIANT-PET，一个用于改进肿瘤学 PET/CT 扫描中病灶分割的新框架。该系统将一个体素级分割模型与一个大型语言模型 (LLM) 集成，用于病灶级别的裁决。候选摄取区域被文本化描述，然后由 LLM 分类为真实病灶或假阳性，并可选择整合放射学报告以提高准确性。通过使用 Group Relative Policy Optimization 的强化学习进一步优化 LLM 的推理能力，旨在改进病灶分类和解剖部位分配。
-
HECKTOR 2025挑战赛为头颈癌AI分析设定基准 · 追踪2个来源
HECKTOR 2025挑战赛在前几届的基础上，利用多模态PET/CT影像和电子健康记录，为头颈部癌症的自动化分析建立了基准。该挑战赛涉及来自10个全球中心的1100多名患者，并要求35个注册团队进行肿瘤分割、复发无生存期预测和HPV状态分类。排名前15的参赛作品展示了有希望的结果，算法在分割方面达到了0.75的平均Dice相似系数，在生存期预测方面达到了0.66的一致性指数，在HPV分类方面达到了0.56的平衡准确率。
-
新的MuDuo框架使用双基础模型进行半监督PET/CT分割
研究人员开发了一种名为MuDuo的新型半监督学习框架，用于分割PET/CT扫描中的器官。该方法利用双基础模型，其中SAM-Med3D用于CT成像，SegAnyPET用于PET成像，将知识蒸馏到一个轻量级的学生网络中。MuDuo有效减少了手动标注的需求，并最大限度地利用了未标记数据，在仅有五个标记病例的AutoPET数据集上取得了最先进的性能。
-
AI框架MuDuo利用双基础模型增强PET/CT分割
研究人员开发了一种新颖的互蒸馏框架MuDuo，用于PET/CT扫描的半监督分割，解决了肿瘤学中手动标注成本高昂的问题。该框架利用SAM-Med3D（用于CT）和SegAnyPET（用于PET）这两个基础模型，将知识蒸馏到一个轻量级的学生网络中。MuDuo有效地利用了未标记数据，在仅使用少量标记案例的情况下，在AutoPET数据集上取得了最先进的性能。
-
AI模型根据PET/CT扫描预测肺癌生存期
研究人员开发了新的AI模型ATCS和MTS，利用PET/CT扫描预测肺癌患者的总生存期。这些模型优于基线TCS模型，分别取得了0.794和0.793的AUC。ATCS在短期预测（0.5-3年）方面表现更好，而MTS在长期预测（3.5-5年）方面表现更优。该研究使用了848名非小细胞肺癌患者的数据，并发现结合不同的影像学特征可以提高准确性。
-
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…