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.
Deze multi-institutionele studie concludeert dat het reduceren van de bitdiepte van chest-röntgenfoto's van 16-bit naar 8-bit de prestaties van diepe leermodellen voor classificatie van geslacht, leeftijd en obesitas niet significant beïnvloedt, waardoor 8-bit beelden een efficiënter alternatief bieden zonder kwaliteitsverlies.
Dit onderzoek toont aan dat compacte, masker-bewuste embeddings afgeleid van een medische fundamentele segmentatiemodel (MedSAM2) voor 18F-FDG-PET/CT, in combinatie met klinische data, de prognostische prestaties voor progressievrije overleving bij multipel myeloom significant verbeteren ten opzichte van bestaande baselines.
Deze studie concludeert dat het activeren van externe laserpositioneringssystemen tijdens MRI-simulatie de beeldkwaliteit aanzienlijk kan verslechteren door elektronische ruis, met name bij gebruik van de geïntegreerde lichaamspoel, hoewel de kwantitatieve MRI-waarden grotendeels onveranderd blijven.
De Holder-Optimized Elastography (HOE)-methode verbetert de diagnostische mogelijkheden van ARFI-elastografie voor borstkanker-gerelateerd lymfoedeem door niet-invasief vloeistofgevulde lymfevaten als 'High-Velocity Areas' zichtbaar te maken, hoewel verdere technische verfijning nodig is om de sensitiviteit voor vroege en geavanceerde laesies te verbeteren.
Dit artikel beschrijft hoe het optimaliseren van AI-modellen op NLP-gegenereerde labels voor borstfoto's leidt tot een prestatiekloof met radiologen, en laat zien dat beperkte training, het bevriezen van het backbone-netwerk en regularisatie in plaats van directe optimalisatie op kleine expert-data sets, de diagnose-accuraatheid aanzienlijk verbeteren.
Deze studie toont aan dat voor de segmentatie van dicht borstweefsel op kleine datasets CNN-architecturen met volledige fine-tuning, multi-view zelftoezichtende pre-training en een hybride verliesfunctie de beste prestaties en reken-efficiëntie bieden ten opzichte van transformer-modellen en parameter-efficiënte updates.
Deze studie introduceert een robuust, data-gedreven raamwerk dat vijf onderscheidende ruimtelijke subtypen van witte-stofhyperintensiteiten identificeert, die elk uniek geassocieerd zijn met risicofactoren en een betere voorspelling van toekomstige progressie bieden dan het totale laesievolume alleen.
Deze studie concludeert dat voor AI-gestuurde leversegmentatie hooggekwalificeerde, kleinere datasets vergelijkbare prestaties leveren als veel grotere, minder gestructureerde datasets, waarbij de keuze tussen kwaliteit en kwantiteit afhankelijk is van de specifieke doelstellingen en generaliseerbaarheid.
Deze systematische review analyseert de huidige stand van zaken en identificeren belangrijke lacunes bij de integratie van intraoperatieve metabolomische, fluorescerende en AI-gestuurde beeldvorming voor precisiechirurgie bij pediatrische hersentumoren, met als doel de ontwikkeling van kinderspecifieke platforms en protocollen te stimuleren.
Dit artikel introduceert Brain-SAM, een gespecialiseerd model gebouwd op het SAM2-framework dat zich aanpast aan 3D hersen-MRI-data via een Hiera-encoder en een door UNETR geïnspireerde decoder, waarmee een superieure prestatie wordt behaald bij het segmenteren van diverse hersenlaesies vergeleken met state-of-the-art methoden zoals nnU-Net.