polyethylene terephthalate
PulseAugur coverage of polyethylene terephthalate — every cluster mentioning polyethylene terephthalate across labs, papers, and developer communities, ranked by signal.
- 2026-06-19 regulatory An AI system used by PET was shut down due to security concerns and potential personal data exposure. 来源
3 天有情绪数据
-
新AI框架利用PET引导改进全身MRI转换
研究人员开发了一个名为异质性自适应扩散Schrodinger桥（HA-DSB）的新框架，以改进全身MRI转换。该方法通过整合来自视觉语言模型（VLM）的区域上下文嵌入，解决了跨不同解剖区域和病理组织的MRI扫描转换中的挑战。此外，它还通过双阶段引导机制整合了PET衍生的代谢信息，以提高病理组织转换的保真度。
-
PET 行业携新数据资源应对 PPWR、数字护照和人工智能挑战
一个针对 PET 行业关键挑战的新行业资源页面已上线，这些挑战包括欧盟的《包装和包装废弃物法规》(PPWR)、数字产品护照的概念以及人工智能的整合。该资源旨在帮助 PET 制造商、包装公司和回收商理解产品数据对合规性、数字化转型和人工智能准备度的影响。它提供了专家文章、自我评估工具以及对这些关键领域的见解。
-
丹麦情报机构PET因数据泄露风险关闭AI系统
丹麦国内情报机构PET使用的一套AI系统因安全问题已被关闭。该系统是一个语言模型，能够泄露可能被情报部门监督局（TET）雇员访问的个人数据。TET的最新报告强调了这些问题，导致该系统被停用。
-
新方法从AI势中提取静电学
研究人员开发了一种名为潜伏Ewald求和（LES）的方法，用于从基础机器学习原子间势（MLIPs）中提取静电学性质。该技术能够创建更有效的MLIPs，模拟长程相互作用和电响应，这对于许多化学和材料科学模拟至关重要。该研究对源自各种基础MLIPs的LES提炼模型进行了基准测试，证明了它们预测红外光谱和Born有效电荷张量的能力。
-
新型AI模型应对PET图像去噪挑战
研究人员开发了两种新颖的深度学习方法来改进正电子发射断层扫描（PET）图像去噪。UniPET利用领域泛化和区域感知学习，创建了一个能够对各种剂量降低因子下的图像进行去噪的通用模型，解决了风格不匹配和过度平滑的问题。U-TTT采用测试时训练结合双域自适应（空间和频率）的方法，在推理过程中动态调整模型参数，即使在未见的剂量水平或扫描仪类型下也能实现鲁棒的泛化。
-
新型视觉Transformer模型通过MRI辅助阿尔茨海默病检测
研究人员开发了一种新颖的视觉Transformer模型，名为CSV-ViT，用于分析脑部MRI数据以检测阿尔茨海默病病理。该模型采用一种独特的可变大小皮质超顶点（CSVs）方法来划分大脑表面数据，克服了先前在非皮质区域和重复顶点问题上遇到困难的方法的局限性。与现有的基于表面的模型相比，CSV-ViT在预测AD诊断、淀粉样蛋白阳性和tau蛋白阳性方面表现出优越的分类性能，表明其在基于MRI的早期预测方面具有潜力。
-
微塑料每年从包装渗入食品和饮料
一项新的分析估计，每年约有1000吨微塑料从包装转移到食品和饮料中，个人每年摄入约130毫克。研究强调，某些包装类型（如PET瓶）以及紫外线或热应力等条件会显著增加颗粒释放。研究人员建议重新设计包装组件并限制紫外线暴露，同时也指出在颗粒释放和联合暴露方面存在监管空白。
-
BrainAnytime AI 可处理各种脑部扫描数据以改进分析
研究人员开发了 BrainAnytime，一个专为脑部图像分析设计的、可处理不完整或多样化成像数据的统一预训练框架。该模型可接受任何可用的成像序列，从单一 MRI 扫描到多模态 MRI 和 PET 数据。BrainAnytime 利用跨模态蒸馏和图谱引导掩码，在一个共享的 3D 掩码自编码器中学习结构-分子对应关系。在四个下游任务和五个临床模态设置的评估中，BrainAnytime 的表现优于特定模态的模型和现有基线，尤其在认知状态分…
-
NeuroAgent 使用大语言模型代理自动化神经影像分析与研究
研究人员开发了 NeuroAgent，这是一个由大语言模型驱动的框架，旨在自动化多模态神经影像数据的复杂预处理和分析。该系统利用分层多代理架构来生成、执行和验证各种影像类型（如 sMRI、fMRI、dMRI 和 PET）的代码。在大规模数据集上的评估表明，NeuroAgent 能够显著减少人工工作量，并实现端到端的自动化流程，在意图解析和预处理正确性方面达到高精度，其中最强的后端正确率达到 84.8%。
-
人工智能生成合成PET扫描以改进肺癌组织学分类
研究人员开发了一个新颖的框架，使用3D Pix2Pix生成对抗网络（GAN）从CT数据生成合成PET扫描，用于非小细胞肺癌（NSCLC）组织学分类。这种“虚拟扫描”方法旨在用代谢信息补充解剖CT扫描，解决了传统PET扫描的局限性，如成本和辐射暴露。对714名受试者数据集的实验表明，整合这些合成代谢特征显著提高了分类性能，AUC从0.489提高到0.591，GMean从0.305提高到0.524。
-
新的CT引导正则化提高了全身PET配准的准确性
研究人员开发了一种新的全身PET扫描对齐方法，这对于追踪癌症进展至关重要。他们的方法使用CT扫描来指导变形过程，对骨骼等刚性结构应用更强的正则化，对软组织施加更弱的约束。这种解剖自适应正则化提高了PET扫描对齐的准确性，在临床数据上显示出比现有方法显著的提升。
-
新AI模型通过去除CT辐射改进儿科PET扫描
研究人员开发了一种名为通用PET校正网络（GPCN）的新型双域网络，以改进儿科患者的无CT PET成像。该网络旨在无需CT扫描的额外辐射暴露即可提供准确的衰减和散射校正。GPCN通过模拟解剖变异并在空间和傅里叶域中优化图像数据来实现这一点，在不同扫描仪和放射性示踪剂上均表现出稳健的性能。
-
新框架提升文本引导的3D医学图像分割精度
研究人员开发了新的文本引导3D医学图像分割方法，旨在提高分析MRI等扫描的精度。一种方法“Align then Refine”采用多编码器U-Net，结合对齐和热图损失来注入病变语义并优化边界。另一个框架ESICA提供了一个可扩展且计算效率高的解决方案，具有新颖的掩码预测公式和分解解码器，在多样化基准测试中取得了最先进的结果。