TotalSegmentator
PulseAugur coverage of TotalSegmentator — every cluster mentioning TotalSegmentator across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
新方法提高跨医学影像站点的全心分割精度
研究人员开发了一种新的方法来改进医学影像中的全心分割，特别是在计算机断层扫描（CT）和磁共振成像（MRI）扫描中。该技术解决了跨不同数据采集站点和模态泛化分割模型的挑战，而这通常会导致性能下降。提出的流程结合了TotalSegmentator和nnU-Netv2模型，并采用了一种新颖的外观增强策略，该策略在保留标签的同时适应站点特定的特征。这种方法显著提高了CT分割的Dice分数，从0.8350提高到0.9135，并在MRI分割中也显…
-
LoRA微调MedSAM3仅需少量标注即可实现医学图像分割
一项新研究探讨了使用MedSAM3基础模型进行LoRA微调以实现医学图像分割的有效性。研究人员发现，仅需10个标注病例，经过LoRA适配的模型就能在性能上媲美在更多数据上训练的专业系统。该方法对于现有工具范围之外的心脏分割任务也同样有效，并显著缩短了训练时间。
-
AI模型增强了医学影像中无CT的PET衰减校正
研究人员开发了一种通过合成多模态伪CT图像来实现无CT PET衰减校正的新方法。他们的方法提交给了BIC-MAC 2026挑战赛，采用了改进的nnU-Net架构，结合了解剖学和物理学监督。该系统利用一个冻结的TotalSegmentator特征提取器进行解剖学指导，并利用一个可微分的投影损失进行物理学监督，该方法建立在SynthRAD挑战赛数据集上预训练的权重之上。
-
新方法改进了英国生物银行数据的全身MRI配准
研究人员开发了一种新的方法，用于配准英国生物银行（一项大规模健康数据研究）的全身MRI图像。该技术利用组织掩模，特别是由VIBESegmentator方法生成的皮下脂肪组织和肌肉掩模，来提高基于强度的图割配准的准确性。与现有的仅强度方法和其他配准工具（如uniGradICON和MIRTK）相比，所提出的方法显示出较低的雅可比行列式折叠频率和较高的Dice分数。这种增强的配准准确性有望促进英国生物银行中非成像健康数据与图像衍生参数的更精…
-
MedSAM2-Anatomy框架提高了医学图像分割精度
研究人员开发了MedSAM2-Anatomy，一个新颖的框架，旨在提高肌骨分割在医学成像中的准确性，而无需模型重新训练或手动输入。该方法通过将现有分割模型的输出转换为基础模型的多个提示假设，然后融合结果并丢弃解剖学上不可信的片段来实现。在独立数据集上的评估表明，分割精度有了显著提高，中位数Dice分数增加，中位数Hausdorff距离95（HD95）大幅降低。研究表明，这种无需训练的优化策略为提高冻结分割模型的性能提供了一种实用的方法。
-
新框架调整CT基础模型以更好地对齐放射学报告
研究人员开发了解剖学情境化适应（ACA）框架，这是一种旨在改进CT视觉语言基础模型的新型框架。ACA能够高效地调整现有的冻结模型，以实现与放射学报告在解剖学层面的对齐，从而增强精细的解剖学信号和全局上下文。这种轻量级方法在Merlin和CT-RATE数据集上进行了评估，在零样本发现分类方面，以极少的训练时间显著优于基线模型。
-
新的U-Net模型为边缘设备提供高效的脊柱CT分割
研究人员开发了SpineContextResUNet，一种新颖的3D残差U-Net架构，旨在高效分割脊柱CT扫描。该模型通过使用具有并行多扩张卷积的轻量级上下文块，避免了资源密集型的Transformer或RNN的需要，从而解决了现有方法的高计算需求。SpineContextResUNet在公开基准测试中实现了高精度，并在商品硬件上展示了可行的推理性能，使其适用于即时诊断和边缘设备。