跳到主要内容
检索

Imperial College Healthcare NHS Trust

2 篇关联报道

订阅更新
  1. arXiv

    HierEM 把每个站点的前列腺病灶勾画当作潜在干净掩膜的有噪观测,在三站点留一站测试中把跨站点 Dice 提升到 27.91%–32.67%

    该研究提出 HierEM 分层期望最大化框架,把每个站点观察到的前列腺病灶标注视为潜在“干净”病灶掩膜的有噪观测,在 E 步推断体素级潜在掩膜后验、在 M 步用该后验作软目标训练 CNN 并用 logistic-normal 分层先验估计站点与病例级敏感度、特异度,在三个站点数据上池化留出评估的每站点平均 DSC 为 29.50%–39.69%,留一站泛化为 27.91%–32.67%,相对对比方法取得统计显著提升(p < 0.039),并给出可解释的站点标注质量估计(特异度 β≈0.99 时敏感度 α 为 31.5%–47.3%)。

  2. arXiv

    L2L-Flow 把体积随机分割搬到潜空间:放疗靶区推理提速约14倍,GED 0.161 仍具竞争力

    该工作提出 Latent-to-Latent Flow(L2L-Flow),先用体积标签自编码器把标签压到潜空间,再在图像条件潜先验与冻结的标签潜表示之间学习整流流,从而在放疗临床靶区(55例、5折交叉验证)和 CURVAS 多器官数据集(90例)上实现随机分割,推理速度比全分辨率 Flow-SSN 快约14倍(0.936 秒/图 对 15.296 秒/图),GED 为 0.161,并同时提出时间偏移噪声调度以改善 Flow-SSN 在高维体积数据上的稳定性。

已读完全部报道