📄 Category

radiology and imaging

64 artigos

A área de Radiologia e Imagem médica representa os olhos modernos da ciência, permitindo que os profissionais visualizem o interior do corpo humano sem necessidade de cirurgias invasivas. Desde ressonâncias magnéticas detalhadas até tomografias computorizadas rápidas, essas tecnologias são fundamentais para diagnosticar doenças com precisão e planejar tratamentos eficazes. No Gist.Science, buscamos tornar esses avanços compreensíveis para todos, transformando descobertas complexas em informações claras e úteis.

Nesta categoria, você encontrará as mais recentes descobertas provenientes do medRxiv, o principal repositório de pré-publicações médicas. Processamos automaticamente cada novo estudo publicado lá, oferecendo não apenas resumos técnicos aprofundados para especialistas, mas também versões em linguagem simples para que qualquer pessoa possa entender a importância da pesquisa. Abaixo, apresentamos a seleção mais recente de artigos sobre radiologia e imagem que acabaram de chegar ao nosso sistema.

📄 radiology and imaging

Impact of Image Bit Depth Reduction on Deep Learning Performance in Chest Radiograph Analysis: A Multi-institutional Study

Este estudo multicêntrico demonstra que a redução da profundidade de bits das radiografias torácicas de 16 para 8 bits não impacta significativamente o desempenho de modelos de aprendizado profundo na classificação de sexo, idade e obesidade, indicando que a conversão é segura para aplicações médicas visando maior eficiência no armazenamento e processamento de dados.

Takita, H., Mitsuyama, Y., Walston, S. L., Saito, K., Sugibayashi, T., Okamoto, M., Suh, C. H., Ueda, D.2026-03-09
📄 radiology and imaging

Mask-aware foundational-model embeddings for 18F-FDG-PET/CT Prognosis in Multiple Myeloma

Este estudo demonstra que embeddings compactos e conscientes de máscaras, extraídos de um modelo de segmentação médica fundamental (MedSAM2) para imagens de PET/CT, quando combinados com dados clínicos, melhoram significativamente a estratificação de risco e a previsão da sobrevivência livre de progressão em pacientes com mieloma múltiplo, superando as abordagens tradicionais de radiômica e modelos baseados apenas em dados clínicos.

Guinea-Perez, J., Uribe, S., Peluso, S., Castellani, G., Nanni, C., Alvarez, F.2026-03-07
📄 radiology and imaging

The Effects of External Laser Positioning Systems for MRI Simulation on Image Quality and Quantitative MRI Values

Este estudo demonstra que a ativação de sistemas de posicionamento a laser externos durante a simulação de ressonância magnética para radioterapia pode introduzir ruído eletrônico que degrada a qualidade da imagem e a precisão de valores quantitativos, especialmente quando se utiliza a bobina corporal integrada, exigindo a implementação de diretrizes clínicas para desativar esses lasers durante a aquisição de imagens.

McCullum, L., Ding, Y., Fuller, C. D., Taylor, B. A.2026-03-07
📄 radiology and imaging

Real-Time Detection of Breast Cancer-Related Lymphedema with Shear-Wave Elastography: The Holder-Optimized Elastography Method

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.

Hoe, Z. Y., Ding, R.-S., Chou, C.-P., Hu, C., Lee, C.-H., Tzeng, Y.-D., Pan, C.-T., Lee, M.-C., Lee, E. K.-L.2026-03-02
📄 radiology and imaging

Benchmarking Transfer Learning for Dense Breast Tissue Segmentation on Small Mammogram Datasets

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.

Qu, B., Liu, W., Zhou, L., Guo, X., Malin, B., Yin, Z.2026-02-24
📄 radiology and imaging

Location patterns and longitudinal progression of white matter hyperintensities

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.

Zhao, X., Malone, I. B., Brown, T. M., Wong, A., Cash, D. M., Chaturvedi, N., Hughes, A. D., Schott, J., Barkhof, F., Ba (…)2026-02-23
📄 radiology and imaging

Quality versus quantity of training datasets for artificial intelligence-based whole liver segmentation

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.

Castelo, A., O'Connor, C., Gupta, A. C., Anderson, B. M., Woodland, M., Altaie, M., Koay, E. J., Odisio, B. C., Tang, T. (…)2026-02-18
📄 radiology and imaging

Intraoperative Metabolomic-Guided Precision Surgery for Pediatric Brain Tumors: A Systematic Review of Multi-Modal Molecular Imaging Platforms and Artificial Intelligence Integration

Esta revisão sistemática analisa o estado atual e as lacunas das plataformas de imagem molecular intraoperatória, metabolômica e inteligência artificial no tratamento de tumores cerebrais pediátricos, destacando a necessidade urgente de desenvolver tecnologias e protocolos específicos para a população infantil a fim de otimizar a ressecção cirúrgica e preservar o neurodesenvolvimento.

Sirkin, N. J., Harper, T., Lamey, E., Wilhelm, J. N., Rought, G., Yerrapragada, A.2026-02-12
📄 radiology and imaging

Brain-SAM: A SAM-based Model Tailored for Brain MRI Lesion Segmentation

Este artigo apresenta o Brain-SAM, um modelo especializado construído sobre a estrutura SAM2 que se adapta a dados de RM cerebral 3D por meio de um codificador Hiera e um decodificador inspirado no UNETR, alcançando um desempenho superior na segmentação de várias lesões cerebrais em comparação com métodos de estado da arte como o nnU-Net.

Pan, Y., Yuan, X., Liu, H., Yang, Y., Kang, G.2026-02-04