Response Evaluation Criteria in Solid Tumors
PulseAugur coverage of Response Evaluation Criteria in Solid Tumors — every cluster mentioning Response Evaluation Criteria in Solid Tumors across labs, papers, and developer communities, ranked by signal.
-
AI利用用户引导的先验知识改进CT扫描中的癌症病灶分割
研究人员调查了使用用户提示的先验知识来改进全身CT扫描中半自动癌症病灶分割的应用。研究发现，更复杂的空间先验知识持续提高了分割性能。具体而言，使用来自轴向、冠状面和矢状面的轮廓先验知识取得了最佳结果，在外部测试集上获得了0.882的平均Dice分数，显著优于没有空间先验知识的基线模型。
-
用户提示的先验信息可提升CT扫描中癌症病灶分割效果
研究人员探讨了用户提供的先验信息如何增强计算机断层扫描中癌症病灶的半自动分割。研究发现，更复杂的空间先验信息，如边界框和单层轮廓，显著提高了分割精度。具体而言，使用三个正交平面（轴向、冠状和矢状面）的轮廓在外部测试集上取得了最佳结果，平均Dice得分为0.882，比基线模型有了显著改进。
-
LETT-NeXt模型通过RECIST引导增强3D CT病灶分割
研究人员开发了LETT-NeXt，这是一种轻量级模型，旨在通过RECIST标记进行CT扫描中的3D病灶分割。与传统的2D RECIST直径测量相比，该模型旨在提供更全面的病灶范围3D描述。LETT-NeXt将RECIST信息整合为提示通道，并利用MedNeXt-v2架构进行预测，在CVPR 2026泛癌CT图像分割基础模型竞赛中取得了有竞争力的结果。
-
LETT-NeXt模型通过RECIST指导增强3D CT病灶分割
研究人员开发了LETT-NeXt，这是一种用于分割CT扫描中3D病灶的轻量级模型。该模型整合了RECIST（实体瘤疗效评价标准）标记作为指导，增强了其预测病灶掩码的能力。LETT-NeXt在CVPR 2026 Foundation Models for Pan-cancer Segmentation in CT Images竞赛中取得了有竞争力的结果，展示了高效的推理时间和低内存使用量。