80 artigos
Este artigo apresenta o DBT-2026, um conjunto de dados público e anonimizado contendo 558 exames de tomografia digital de mama com anotações de especialistas e laudos radiológicos, destinado a fomentar pesquisas em imagem de câncer de mama.
Este estudo apresenta e valida o BUDAPEST, um algoritmo bayesiano de código aberto com interface gráfica que permite a estimativa rápida, precisa e confiável do limiar motor em estimulação magnética transcraniana (TMS) com controle de incerteza, reduzindo significativamente o número de pulsos necessários em comparação com métodos convencionais.
Este estudo demonstrou que os parâmetros ósseos 3D-DXA obtidos com os densitômetros GE Healthcare Prodigy e iDXA apresentam excelente concordância e precisão comparável, indicando que não são necessários ajustes ao utilizar o software 3D-Shaper em ambos os equipamentos.
O método de Elastografia Otimizada por Sujeito (HOE) melhora a capacidade diagnóstica da elastografia por ondas de cisalhamento para o linfedema relacionado ao câncer de mama, permitindo a detecção não invasiva de obstruções linfáticas através da visualização de Áreas de Alta Velocidade (HVAs), embora ainda necessite de refinamentos técnicos para superar a subestimação de lesões iniciais e confluentes.
Este artigo investiga a lacuna entre modelos de IA treinados em rótulos extraídos de relatórios por NLP e a avaliação de radiologistas especialistas, demonstrando que a generalização clínica superior é alcançada ao priorizar a regularização e o uso de recursos pré-treinados em vez da otimização direta em conjuntos de validação pequenos, superando assim a linha de base oficial do CheXpert.
Este estudo apresenta um quadro de aprendizado profundo 3D automatizado que permite a quantificação em escala populacional de 20 músculos individuais do quadril e coxa a partir de ressonância magnética, revelando heterogeneidade anatômica, declínios longitudinais específicos e assinaturas de risco metabólico distintas entre homens e mulheres que eram anteriormente obscurecidas por medições de compartimentos musculares.
Este trabalho apresenta um modelo de aprendizado profundo para a segmentação automática de 19 compartimentos de tecido adiposo metabolicamente relevantes e depósitos de gordura ectópica em imagens de ressonância magnética Dixon de corpo inteiro, com ferramentas de pós-processamento disponíveis publicamente para quantificação volumétrica.
Este estudo demonstra que alterações estruturais cerebrais crônicas decorrentes de traumatismo craniano leve relacionado a esportes em jovens adultos apresentam padrões diferenciados por sexo, onde o aumento da espessura cortical no lóbulo parietal superior em homens está associado a maiores déficits de atenção, enquanto uma maior integridade da substância branca no fascículo fronto-occipital superior em mulheres correlaciona-se com menor impulsividade.
Este estudo demonstra que a transferência de conhecimento supervisionada por imagens de ressonância magnética com contraste permite a extração precisa de biomarcadores volumétricos renais a partir de exames sem contraste, embora a estimativa de áreas superficiais e a segmentação de compartimentos específicos apresentem limitações sistemáticas.
Este estudo demonstrou que a segmentação totalmente automatizada de volumes renais em TC, baseada em redes neurais convolucionais, fornece biomarcadores volumétricos reprodutíveis que se correlacionam significativamente com a função renal global e dividida em candidatos a doadores vivos.
Este estudo piloto demonstrou que um agente de IA orquestrado por um modelo de linguagem (LLM) consegue automatizar integralmente a interpretação e quantificação de PET/CT, desde os dados DICOM brutos até a geração de relatórios estruturados, alcançando detecção perfeita de tumores primários, embora apresente limitações na avaliação de metástases e envolvimento linfonodal que exigem supervisão humana.
Este estudo avalia estratégias de aprendizado por transferência para segmentação de tecido mamário denso em conjuntos de dados pequenos, demonstrando que arquiteturas CNN com pré-treinamento auto-supervisionado multi-visão, perda híbrida e ajuste fino completo oferecem o melhor equilíbrio entre precisão e eficiência computacional.
Este estudo apresenta um quadro robusto e escalável para identificar cinco subtipos espaciais distintos de hiperintensidades da substância branca, demonstrando que essas padrões, além do volume total de lesões, possuem associações específicas com fatores de risco e oferecem maior poder preditivo para a progressão futura da doença.
Este estudo demonstrou que a intensidade de sinal normalizada por músculo na ressonância magnética dinâmica com contraste (DCE-MRI) é consistentemente mais elevada no núcleo da placa carotídea do que na parede vascular remota, apresenta excelente reprodutibilidade ao longo de seis meses e não foi alterada pelo tratamento com colchicina.
Este estudo demonstra que, para a segmentação de fígado por IA, conjuntos de dados altamente curados e menores podem alcançar desempenho 3D equivalente a conjuntos muito maiores com curadoria mista, embora estes últimos ofereçam vantagens em métricas de generalização e melhoria local.
Este estudo demonstrou que a ressonância magnética ponderada em T2 fortemente a 7T permite a detecção e quantificação de espaços perivasculares no interface entre a substância cinzenta e branca em indivíduos saudáveis, estabelecendo as bases para investigar alterações regionais associadas a doenças neurológicas.
Este estudo demonstrou que gotas oculares de água marcada com O-17 conseguem visualizar a distribuição do humor aquoso no líquido cefalorraquidiano ao longo do nervo óptico, mas não no vítreo, sugerindo uma via de drenagem ocular não convencional que contribui para a homeostase do fluido ocular.
Este estudo compara diferentes arquiteturas de modelagem para prever o status de mutação do EGFR em câncer de pulmão de células não pequenas a partir de imagens de TC, demonstrando que a integração de características radiômicas e clínicas superou abordagens de aprendizado profundo e contrastivo, alcançando uma AUC de 0,790 e discutindo o potencial clínico dessa abordagem não invasiva.
Este estudo compara três estratégias de avaliação para modelos de super-resolução baseados em aprendizado profundo em pequenos conjuntos de dados de ressonância magnética cerebral, concluindo que a validação cruzada com k-fold oferece o melhor equilíbrio entre precisão, estabilidade e viabilidade computacional.
Este estudo apresenta uma abordagem de aprendizado de máquina informada por experimentos, utilizando análise de componentes principais contrastiva (cPCA) para processar dados de Espectroscopia por Ressonância Magnética (MRSI) de pacientes com esclerose múltipla, permitindo a filtragem de artefatos e a identificação de assinaturas neurometabólicas significativas em lesões cerebrais.