跳到主要内容
检索

Sun Yat-sen University Cancer Center

3 篇关联报道

订阅更新
  1. arXiv

    SegDINO用轻量尺度建模改造DINOv3,在四个数据集上以27.68M参数和51 FPS取得最优分割精度

    该工作提出SegDINO,用冻结的DINOv3-S编码器提取第3、6、9、12层中间特征,通过Token Pyramid Adaptation(TPA)把同分辨率token重排为1/4至1/32的伪多尺度金字塔,再用Scale-Aware Decoding(SAD)做尺度内细化与自顶向下跨尺度传播,并发布含284例胰腺癌患者CT的PanCT数据集;在PanCT与TN3K、Kvasir-SEG、ISIC三个公开基准上,SegDINO的DSC与HD95均优于U-Net、SegNet、R2U-Net、Attention U-Net、TransUNet、U-NeXt、U-KAN,模型共27.68M参数、推理速

  2. 人工智能驱动的一键式功能性肺避让放疗自动计划系统的临床实施与评估

    该研究将整合了基于剂量学评分的射束角度选择、多模态引导剂量预测与功能引导剂量模拟的AP-FLART系统在RayStation中实施,并用33例接受SPECT通气或灌注成像的肺癌患者数据评估,结果显示自动FLART计划较手动常规放疗计划显著降低高功能肺平均剂量15.1%,在FLART获益患者中把≥2级放射性肺炎概率降低6.25个百分点(27%),临床收益与手动FLART计划相近,且87.9%的自动计划无需修改即可被临床接受,计划时间从2-3小时缩短至约8分钟。

  3. GPT辅助影像组学建模预测头颈部鳞癌新辅助化免疫治疗病理完全缓解

    该研究在训练队列(n=186)、验证队列(n=116)和前瞻性多中心验证队列(n=269)中,从治疗前T2加权MRI提取影像组学与监督深度学习特征,比较人工开发与GPT辅助的建模流程,发现融合特征在两种逻辑回归模型中AUC最高(训练队列0.759对0.763±0.003,验证队列0.714对0.741±0.008,前瞻性多中心验证队列0.700对0.706±0.004),GPT辅助流程在五种分类器上与人工开发模型性能大致相当,且五次重复运行的AUC标准差为0.001至0.019,表明在专家监督下GPT可自动化影像组学建模的关键步骤。

已读完全部报道