实体
Response Evaluation Criteria in Solid Tumors
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.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
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。
-
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。