SegResNet
PulseAugur coverage of SegResNet — every cluster mentioning SegResNet across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。
-
新基准测试比较用于脑肿瘤分割的深度学习模型
研究人员开发了一个统一的基准测试，用于比较磁共振成像扫描的3D脑肿瘤分割的深度学习模型。该研究在相同的实验条件下评估了五种最先进的模型，包括CNN、基于Transformer的模型和状态空间模型（SSM）。性能通过分割准确性指标和推理时间、模型大小等计算成本进行评估，从而深入了解不同架构范式在准确性和效率之间的权衡。
-
MC Dropout在脑肿瘤分割中的可靠性受到质疑
研究人员调查了蒙特卡洛Dropout（MC Dropout）在MRI扫描中分割脑肿瘤的可靠性，发现虽然它可以将不确定性与错误对齐，但可能并不总是保证临床安全。在一项针对126名BraTS21患者的研究中，MC Dropout表现出强大的不确定性-错误对齐能力，正确地将错误体素排名更高，并识别出分割性能显著较低的亚组。然而，该研究还揭示，全局对齐指标可能会掩盖关键区域特定的校准失败，例如其中一个模型尽管整体AUROC得分很高，但在临床上…
-
新的CoMNeT框架提高了脑肿瘤分割的准确性
研究人员开发了CoMNeT，一个结合了MedNeXt和CorrDiff的新框架，用于增强从MRI扫描中进行体积脑肿瘤分割。该方法利用四种MRI模态，并将一个校正扩散模型作为后处理步骤，以提高分割精度。与基线模型相比，CoMNeT在UTSW-Glioma数据集上表现出卓越的性能，在不同肿瘤区域均取得了高Dice分数。
-
新的 AI 模型提供改进的脑肿瘤分割和效率提升
研究人员开发了 DALight-3D，一种计算效率更高的 3D U-Net 变体，用于从多模态 MRI 扫描中分割脑肿瘤。该模型在参数方面优于 Residual 3D U-Net 等基线模型，实现了有利的准确性-效率权衡，同时保持了有竞争力的性能。另外，另一项研究利用 SegResNet 架构和各种精度训练，在脑肿瘤分割中取得了 0.84 的 dice 分数。