64 papers
De wereld van radiologie en beeldvorming staat centraal in het modern medisch onderzoek, waar geavanceerde scans en afbeeldingen helpen om ziekten vroegtijdig te detecteren en behandelingen te sturen. Deze categorie op Gist.Science belicht hoe wetenschappers nieuwe inzichten vergaren over MRI, CT-scans en andere diagnostische technieken die het menselijk lichaam zichtbaar maken zonder ingrepen.
Elke nieuwe preprint die verschijnt op medRxiv binnen dit domein wordt door ons direct verwerkt. We bieden voor elk onderzoek zowel een begrijpelijke samenvatting in gewone taal als een gedetailleerde technische analyse, zodat zowel experts als geïnteresseerden de laatste doorbraken kunnen volgen. Hieronder vindt u de nieuwste publicaties uit dit dynamische veld, direct vanaf de bron.
Dit artikel presenteert een gefinetuned SAM2-model voor de segmentatie van kransslagaders in röntgenfluoroscopie dat de zero-shot baselines significant overtreft (met een Dice-score van 0,767 op de ARCADE-datasetset) en robuuste vaattracking demonstreert in videostudies door effectief slagaders te onderscheiden van verwarrende structuren zoals ribben en stents.
Deze studie toont aan dat een deep learning-model nauwkeurig de verkalking van de borstslagaders kan kwantificeren uit screeningsmammogrammen om vrouwen met een verhoogd cardiovasculair risico te identificeren, hoewel het toevoegen van deze door AI afgeleide biomarker aan bestaande risicoscores zoals PREVENT slechts minimale verbetering biedt in de algehele voorspellende discriminatie.
Deze studie introduceert en valideert een nieuw, op functie gericht vergelijkend protocol voor het evalueren van draagbare EEG-headsets, dat zowel cognitieve resolutie als gebruikersgebruiksgemak succesvol beoordeelt en daarmee een uitgebreider alternatief biedt voor traditionele, functie-onafhankelijke analysemethoden.
Deze studie presenteert een secundaire analyse van de LOSEIT-trialgegevens, ontworpen om de overeenstemming en equivalentie te evalueren tussen een commercieel beschikbare AI-tool en metingen van deskundige radiologen van de gewrichtsspleetbreedte op gewichtsbelaste, gefixeerde flexieknie-röntgenfoto's van patiënten met artrose.
Deze studie toont aan dat hoewel B1+-inhomogeniteitscorrectie bij 7 T MRI consistent de beeldkwaliteitsmetrieken verbetert, de impact ervan op morfometrische statistische inferenties methodeafhankelijk is, wat de noodzaak van expliciete correctie en op maat gemaakte preprocessing onderstreept om betrouwbare biomarkers vast te stellen.
Deze studie toont aan dat een multimodale benadering die [18F]florbetapir- en [18F]flortaucipir PET-beeldvorming combineert met MRI-afgeleide hersenatrofiegegevens de voorspelling van cognitieve stoornissen bij de ziekte van Alzheimer significant verbetert vergeleken met het gebruik van PET-biomarkers alleen.
Dit artikel demonstreert dat een op Singular Value Decomposition gebaseerd spoelcombinatiealgoritme (SVD-B1) de nauwkeurigheid en ruisbestendigheid van Quantitative Susceptibility Maps in hoogveld MRI aanzienlijk verbetert door artefacten te elimineren en conventionele methoden te overtreffen in zowel in-vivo als postmortem menselijke hersenstudies.
Deze retrospectieve studie onder 66 volwassen patiënten in Gujranwala, Pakistan, toont aan dat op niet-gecontrasteerde CT-scans waargenomen leeftijdsgebonden cerebrale atrofie significant correleert met specifieke neurologische symptomen zoals verward spreken, ataxie en gevoelloosheid, onafhankelijk van leeftijd, wat de integratie van gestandaardiseerd atrofierapportage in de routinematige radiologische praktijk in hulpbronnenbeperkte settings ondersteunt.
Deze studie introduceert een nieuw raamwerk dat geometrische hersensignaturen, afgeleid van meerdere neurobeeldvormingsmodaliteiten, gebruikt om nauwkeurig onderscheiden subtypes van de ziekte van Alzheimer en progressiepatronen te identificeren, en dat conventionele gelokaliseerde kenmerken overtreft in stabiliteit en biologische relevantie.
Dit artikel stelt een gemodulariseerd Bayesiaans raamwerk voor dat Bayesiaanse Additieve Regressiebomen (BART) combineert voor flexibele, onzekerheidsbewuste normatieve modellering van afwijkingen bij Multiple Sclerose met een SoftBART-survivalmodel om deze onzekerheid te propagëren, waarbij een superieure kalibratie en voorspellingsnauwkeurigheid wordt aangetoond ten opzichte van traditionele tweestapsbenaderingen in grote klinische datasets.