X-ray
PulseAugur coverage of X-ray — every cluster mentioning X-ray across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
新的LiftXR框架从X射线重建CT体积
研究人员开发了LiftXR，一种从双平面X射线图像重建CT体积的新颖框架。该方法通过首先生成3D解剖布局来解决X射线数据的固有歧义，然后该布局指导强度渲染器生成CT体积。重建的CT通过使用边界和强度线索来改进布局的解剖解析器进一步精炼，从而实现区域特定的校准。实验表明，LiftXR优于现有方法，并为分割等下游任务提供了改进的解剖保真度。
-
新的基于斑点的方法可减少CT扫描中的金属伪影
研究人员开发了一种新的方法，用于减少锥束计算机断层扫描（CBCT）扫描中的伪影，特别是金属植入物引起的伪影。这种新颖的方法利用了集成在高斯斑点（Gaussian Splatting）框架内的受物理启发的自校准技术。它通过结合多色X射线投影模型和材料依赖的衰减曲线来解决束硬化伪影问题，无需手动金属掩模。该方法还在训练期间优化了X射线光谱特性，并在伪影抑制和重建精度方面展示了优于现有最先进方法的性能。
-
使用X射线图像对夏威夷果进行质量评估的深度学习基准
研究人员开发了一个用于使用X射线图像对夏威夷果质量进行分类的深度学习基准。该研究涉及799张分割的X射线图像，评估了各种单一模型配置和集成模型。一个结合了使用二元交叉熵训练的卷积神经网络和冻结的Swin Transformer的集成模型达到了86.3%的最高平衡准确率。研究结果强调了深度学习在自动化农业质量评估方面的潜力，并突出了对小型、不平衡数据集进行严格评估和数据整理的必要性。
-
新型AI模型PPOC-LL提升医学标志点定位精度
研究人员开发了一种名为PPOC-LL的新模型，用于医学标志点定位，旨在与现有的多阶段精炼方法相比，提高准确性并降低计算成本。该模型采用多尺度动态感知策略进行特征金字塔建模，并利用相似性驱动的原型学习机制来捕获局部语义以进行鲁棒的偏移预测。此外，它还结合了误差感知可靠性正则化来稳定学习并提高性能。在涵盖各种标志点的X射线和超声数据集上的实验表明，PPOC-LL在准确性和模型复杂度之间提供了有利的平衡。
-
新的STAIL框架使用LLM来对抗医学影像AI中的遗忘问题
研究人员开发了一个名为语义文本锚定增量学习（STAIL）的新框架，以解决用于医学影像分析的深度学习模型中的灾难性遗忘问题。STAIL利用语义巩固缓冲区（SCB），该缓冲区存储最小的图像锚点以及详尽的文本描述，从而以更少的存储需求和隐私担忧实现过去任务的密集语义重建。该框架包含一个源自大型语言模型的语义锚定机制（LSAM），将不断变化的视觉特征锚定到文本表示上，从而指导可塑性和稳定性。在眼底、超声和X射线成像数据集上的实验表明，STAI…
-
新方法简化了医学影像中UDA算法的选择
研究人员开发了一种新颖的方法，用于为医学影像任务选择最佳的无监督域适应（UDA）算法及其超参数，即使在目标域标签不可用的情况下也是如此。该方法通过利用多个无标签选择信号来提名每种算法内的模型，从而构建一个“一致性参考”，然后聚合这些提名以创建参考预测。根据此参考对候选模型进行评分，并选择得分最高的模型进行部署。该技术已在各种脑部MRI和胸部X射线数据集上证明了其有效性，为UDA在临床应用中的更实际应用铺平了道路。
-
新型AI模型学习二维-三维骨骼对应关系以实现X射线到CT配准
研究人员开发了一种新颖的方法，用于将X射线图像中的膝骨姿态与术前CT扫描进行配准。该方法学习跨越758名患者的密集二维-三维对应关系，无需单独的患者CT数据或迭代渲染即可实现受试者无关的配准。学习到的表示也具有解剖学语义，无需显式标签即可进行地标分类和骨骼分割。
-
新框架通过合成预训练简化患者特定手术配准
研究人员开发了一种新的患者特定二维/三维配准框架，这是图像引导手术的关键过程，用于将术前 CT 扫描与术中 X 射线图像对齐。所提出的方法利用了面向患者的无偏合成预训练，其中模型首先在从多个 CT 扫描生成的合成 X 射线图像上进行训练。然后，该预训练模型使用有限数据针对特定患者进行调整，从而显著降低了计算效率低下问题。该框架采用了域随机化技术，以增强对现实世界成像变化的鲁棒性，并使用球形相似性学习结合 Levenberg-Marqu…
-
研究发现：AI放射学模型诊断X光片时过于自信，可能导致误诊
新研究表明，用于放射学的AI模型在诊断X光片时常常表现出危险的过度自信，并以高确定性做出错误诊断。RadLE 2.0基准测试显示，人类放射科医生在解读这些医学影像方面仍然更加可靠。要让自主医疗AI获得信任，它必须首先学会认识到自身的局限性，并在必要时求助于人类专家。
-
开发者创建X-Ray以揭示复杂AI系统的奥秘
一位开发者遇到了复杂系统开发中的一个常见问题：在添加功能和测试数月后，他发现自己对AI的内部运作失去了理解。这促使他创建了X-Ray，一个旨在使神经网络更透明的可观测性模块。X-Ray的目标是将AI的“黑箱”性质转变为一个可追溯的结构，提供对系统行为和错误原因的实时洞察。
-
脑部MRI人口统计学可预测性由解剖结构驱动，而非采集过程
一篇新的研究论文探讨了从脑部MRI扫描中预测人口统计学属性的可能性，这种现象引发了对临床AI系统偏见的担忧。该研究提出了一个使用解耦表示学习的框架，将解剖学信息与采集依赖的对比度分离开来。结果表明，年龄、性别和种族等人口统计学信号主要由解剖学差异驱动，而非成像采集特征。这表明偏见缓解策略必须关注解剖学特征，以确保在不同数据集和站点之间的稳健性。
-
增强现实框架减少手术中的辐射暴露
研究人员开发了X-GuideAR，这是一个旨在减少需要透视引导的骨科手术中辐射暴露的增强现实框架。该系统生成合成X射线预览，以帮助外科医生确定最佳视图和钻孔轨迹，从而最大限度地减少实际X射线的需求。在一项初步研究中，X-GuideAR显示X射线使用量显著减少，并显示出提高螺钉放置精度的潜力。
-
AI模型实现无需心电图的PCI冠状动脉测绘
研究人员开发了一种新的动态冠状动脉测绘（DRM）框架，该框架在经皮冠状动脉介入治疗（PCI）期间无需心电图（ECG）。这种新方法利用在大量X射线帧数据集上预训练的时空Transformer，以准确匹配心动周期并跟踪导管尖端。该系统旨在减少接受PCI的患者的辐射暴露和造影剂诱发肾病的风险。
-
New Locus framework guides AI attention to relevant anatomy in medical images
研究人员开发了 Locus，一个旨在通过引导模型注意力到诊断相关的解剖区域来改进医学图像分类的新框架。该方法利用预训练的分割基础模型提取解剖形状先验，避免了手动标注或专门的分割模型训练的需要。Locus 引入了一个正则化项，在解剖区域和背景区域之间平衡注意力，当背景注意力过高时对分类器进行惩罚。该框架在包括皮肤镜、X射线、组织病理学和心脏 MRI 在内的八个不同的医学影像数据集上，展示了持续的性能提升和更符合解剖学原理的注意力。
-
TCLA方法在无需训练的情况下增强了医学视觉语言模型
研究人员开发了TCLA，一种无需额外训练即可适配医学视觉语言模型（VLMs）的新颖方法。该方法使用少量支持样本来校正推理logit，通过减少类别偏差和域偏移来提高在分布外数据上的性能。TCLA已在各种医学成像模态中展示出持续的改进，通常优于现有的基于训练的适配技术。
-
AI系统利用腰椎X光片辅助骨质疏松诊断
东京大学医院的研究人员开发了一套AI系统，旨在辅助骨质疏松症的诊断。该系统利用腰椎X光图像来估算骨密度，有望实现对该疾病的早期发现。该AI旨在提高临床诊断的准确性和效率。
-
新AI框架跨模态提升医学图像异常检测能力
研究人员开发了一种新颖的、无需训练的医学图像异常检测框架，该框架可应用于各种成像模态，而无需特定于模态的架构或重新训练。该方法在最近的一篇arXiv论文中有所详述，在特征提取后插入一个流形精炼阶段，以增强正常样本和异常样本之间的区分度。通过将嵌入引导至局部密集区域，该方法压缩正常数据，在进行高斯密度估计和基于马氏距离的评分之前有效地分离异常。该框架在MedIAnomaly基准的七个数据集和五种成像类型上进行了测试，表现出色，在四个数据…
-
AI在放射学中的应用：从辅助到诊断替代
将AI工具整合到放射学领域，标志着一个重大转变，从协助放射科医生识别X光图像上的潜在肿瘤，发展到可能取代大部分劳动力。在一种假设情景中，AI可以处理诊断工作，由一名放射科医生监督其工作并承担任何错误的责任。
-
新的 Falcon 框架通过组合推理增强 X 射线威胁检测
研究人员推出了一种新颖的多模态框架 Falcon，专为 X 射线行李筛查中的组合威胁推理而设计。与传统的以物体为中心的模型不同，Falcon 侧重于分散组件的功能兼容性来评估风险。该框架将区域特征抽象为结构化的安全状态，从而实现更连贯的威胁评估，并将组合安全推理确立为多模态系统的新评估范式。还开发了一个新的基准 Falcon-X 来评估此能力。
-
新AI框架通过X射线重建儿科颅骨CT
研究人员开发了PSCT-Net，一种用于从稀疏双平面X射线重建儿科颅骨3D CT扫描的新型框架。该方法通过整合几何感知特征和可微分反向投影过程来解决现有技术的局限性，以减少深度模糊并改善骨边界定义。该框架还包括一个注意力引导投影（AGP-3D）模块和一个双向Mamba（BiM-3D）模块，以增强空间对应关系和捕获体积依赖性。为了支持其开发和评估，创建了一个名为PedSkull-CT的新数据集，该数据集专门为儿科颅骨成像而策划。