PET-CT
PulseAugur coverage of PET-CT — every cluster mentioning PET-CT across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
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…