X-ray
PulseAugur coverage of X-ray — every cluster mentioning X-ray across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
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。
-
生物医学工程：原则、历史与应用
生物医学工程是一个多学科领域，将工程原理应用于医学和生物学，专注于设备设计、生物材料和医学成像等领域。关键原则包括跨学科方法、扎实的医学知识、伦理考量和法规遵从。该领域的历史从古代假肢一直延伸到组织工程、AI集成和个性化医疗的现代进步。
-
新的AI方法改进医学影像中骨骼角度估算
研究人员开发了一种新颖的方法，可以稳健地估算医学影像中的骨骼角度，这对于诊断和治疗至关重要。该方法结合了基于学习的点候选提议与RANSAC和Hough变换等稳健拟合技术，以克服传统直线模型对异常值的敏感性。在儿科骨折和髋关节发育不良评估中进行的评估显示，该方法的平均误差在临床观察者变异范围内，并且优于现有的基于地标的技术。骨折角度评估的代码已公开提供。
-
深度学习模型在COVID-19图像分类中达到98%的准确率
研究人员对用于从CT和X射线肺部影像中分类COVID-19的各种深度学习架构进行了综合比较。该研究使用了包括VGG、Densenet、Resnet、MobileNet、Xception、EfficientNet和NasNet在内的预训练模型。结果表明，Resnet和VGG架构在区分COVID-19阳性病例与健康肺部方面达到了95%至98%的高准确率，优于以往的文献发现。
-
MedGemma 1.5 模型增强医学影像和电子病历理解能力
研究人员推出了 MedGemma 1.5 4B，这是一款先进的医疗人工智能模型，旨在处理多样化的医疗数据模态。新版本集成了处理高维医学影像（如 CT 和 MRI 扫描）、解剖定位、多时间点胸部 X 光分析的能力，并增强了对实验室报告和电子健康记录等医疗文档的理解。该模型在这些领域均展现出显著的性能提升，包括在 MRI 和 CT 病情分类、全切片病理分析以及解剖定位准确性方面取得的显著进步。
-
MedSR-Vision框架对医学图像超分辨率的深度学习进行基准测试
研究人员开发了MedSR-Vision，一个旨在提高MRI、CT和X射线等多种模态医学图像质量的新深度学习框架。该框架允许对不同的超分辨率模型进行评估和比较，解决了保持解剖学准确性和感知质量的挑战。该研究对SRCNN、SwinIR和Real-ESRGAN等模型进行了基准测试，深入了解了它们在特定医学成像应用中的性能，并为临床使用提供了指导。
-
AI研究发现肺部分割对 COVID-19 X 光诊断至关重要
arXiv 上发表的一项新研究，使用胸部 X 光片，调查了数据增强和肺部分割对于 AI 驱动的 COVID-19 检测的必要性。该研究提出了一个名为 SDL-COVID 的方法论，发现肺部分割对于准确预测至关重要。研究还表明，过度的数据增强会导致模型过拟合和测试准确性下降。