TotalSegmentator
PulseAugur coverage of TotalSegmentator — every cluster mentioning TotalSegmentator across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
开发出高效U-Net模型，用于快速脊柱CT分割
研究人员开发了SpineContextResUNet，这是一种计算高效的3D残差U-Net，用于快速脊柱CT分割。该模型解决了当前最先进方法的高资源需求问题，使其适用于GPU访问受限的环境或部署在边缘设备上。该架构使用轻量级的Context Block和并行多扩张卷积来捕获长距离依赖关系，而无需Transformer或RNN的计算成本。在公开基准VerSe2020和CTSpine1K上进行测试，SpineContextResUNet取…
-
新流程提高了3D CT扫描中结肠分割的准确性
研究人员开发了一种新颖的三阶段流程，旨在提高3D腹部CT扫描中结肠分割的准确性和解剖连续性。该方法通过首先进行初始分割，然后使用中心线桥接技术重新连接断开的区域，最后优化连续性，从而解决了深度学习模型预测不连续的常见问题。在TotalSegmentator和RAOS数据集上使用各种指标进行的评估表明，该方法在保持分割准确性的同时，增强了结构一致性和拓扑完整性，使其在临床和研究应用中更加可靠。
-
AI 提高癌症试验的医学影像分割精度
研究人员开发了一种方法，用于提高深度学习模型在医学影像中分割临床靶体积（CTV）的精度，特别是针对涉及胃癌的 AGITG TOPGEAR 临床试验。通过整合源自周围器官分割的解剖先验，并采用主动学习来迭代优化训练数据集，模型的性能得到了显著提升。该组合方法实现了最高的精度，展示了放射治疗临床试验中自动轮廓质量保证的潜力。
-
Mamba架构应用于放射治疗计划中的MRI到CT合成
研究人员已将最初为图像分割设计的SegMamba架构改编用于放射治疗计划的MRI到CT合成。这种新颖的方法利用状态空间建模来捕捉复杂的体积特征和长距离依赖关系，旨在提高准确性，同时与nnU-Net等传统卷积方法相比保持较低的参数数量。在SynthRAD2025数据集上的实验证明了基于Mamba的模型在跨模态医学图像翻译方面的潜力，为其整合到放射治疗工作流程铺平了道路。
-
新型AI模型可从CT/MR扫描中预测患者和成像细节
研究人员开发了一种新颖的开源模型，能够直接从CT和MR图像中预测患者和采集特征。该模型集成到TotalSegmentator框架中，使用独立的3D ResNet-10集成模型分别处理CT和MR扫描。它能准确估计体重、身高、年龄、性别和造影剂使用情况等参数，性能优于基线XGBoost模型，并且推理速度快（可在CPU上运行）。
-
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…
-
新方法提高CT和MRI全心脏分割精度
研究人员开发了改进医学影像（特别是CT和MRI）全心脏分割的新方法。其中一种由Purdue-M2提出的方法，采用一种模态路由流水线，结合了TotalSegmentator初始化的nnU-Netv2模型和站点特征化的、保留标签的外观增强，显著提高了CT分割精度。另一种方法LISynSeg，专注于数据中心标签到图像合成，通过从心脏标签图合成的合成卷来增强真实图像训练，该方法对MRI分割的改进比对CT分割的改进更大。这两种策略都旨在提高心脏…
-
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。