Swin UNETR
PulseAugur coverage of Swin UNETR — every cluster mentioning Swin UNETR across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新型 AI 模型在低资源 MRI 中实现高效脑肿瘤分割
研究人员开发了 MMRINet，这是一款轻量级 AI 模型，专为 MRI 扫描中的高效脑肿瘤分割而设计，尤其适用于低资源临床环境。该模型利用 Mamba 状态空间模型取代计算密集型自注意力机制，以更少的参数实现有效的长程上下文建模。MMRINet 结合了双路径特征精炼和渐进式特征聚合，即使在数据有限的情况下也能提高分割精度和边界清晰度。在尼日利亚临床站点的数据集上进行测试，MMRINet 取得了具有竞争力的性能，展示了其在服务欠缺地区…
-
AI框架精炼儿科脑肿瘤MRI分割与报告
研究人员开发了一个两阶段深度学习框架，以增强儿科脑肿瘤MRI的分割和解释。该系统首先使用3D Res U-Net和Swin-UNETR等基线模型，然后用扩散模型（特别是MedSegDiff）精炼这些预测，以改善边界描绘。最后，将分割出的肿瘤体积与多模态语言模型集成，生成放射学风格的报告，旨在实现更具可解释性的AI辅助神经肿瘤学工作流程。
-
新AI方法提升低场MRI图像质量
研究人员开发了一种新方法来提高超低场（ULF）MRI扫描的图像质量。ULF MRI以其便携性和低成本而闻名，但分辨率较差。他们的方法已提交至2025 ULF Enhancement Challenge，该方法使用Swin UNETR模型生成分割先验。这些先验随后条件化两个独立的增强网络：一个CycleGAN和一个基于Transformer的模型T-REX，以合成类似于高场MRI扫描的图像。这些网络的输出被组合起来，生成在数量和质量上都…
-
SegGuidedNet 通过注意力监督改进脑肿瘤分割
研究人员开发了 SegGuidedNet，一种新颖的 3D 神经网络，旨在从 MRI 扫描中进行更准确、更具可解释性的脑肿瘤分割。该网络包含一个 SegAttentionGate 模块，可监督子区域注意力图，提高坏死核心、肿瘤周围水肿和增强肿瘤等肿瘤类型之间的可区分性。该方法在基准数据集上取得了高 Dice 分数，优于其他单一模型，并接近集成方法，同时保持轻量级结构以实现临床实用性。
-
TSViT模型在卫星图像时间序列作物分割中领先
一篇新的研究论文比较了使用卫星图像时间序列进行作物分割的Transformer和卷积神经网络模型。研究发现，TSViT Transformer模型取得了最佳的总体结果，略优于强大的3D U-Net基线。虽然VistaFormer提供了最佳效率，但明确建模时间动态的Transformer架构被证明对这项任务至关重要。
-
AI通过适应CT训练的模型改进直肠癌MRI分割
研究人员开发了一种新方法，通过解决从CT预训练的Transformer模型迁移知识中的挑战，来改进MRI扫描中直肠癌的分割。他们发现了由于零填充导致的标记效率低下以及在成像模态之间移动时特征适应无效的问题。通过引入肿瘤感知增强策略和各向异性裁剪，他们提高了模型覆盖肿瘤外观异质性的能力并恢复了标记效率，从而提高了检测率。
-
深度学习模型分割CT扫描中的腹膜癌区域
研究人员开发了一种深度学习方法，可从CT扫描中自动分割放射学腹膜癌指数（rPCI）的区域。该研究在62例CT扫描上评估了nnU-Net和Swin UNETR，其中nnU-Net达到了0.82的Dice相似系数，接近人类观察者间的一致性。该方法旨在为评估腹膜转移瘤提供一种非侵入性的、基于影像学的替代方案，以取代目前侵入性的诊断性腹腔镜检查。