Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới. Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận. Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.
Zacharia Mesbah, Leo Mottay, Romain Modzelewski, Pierre Decazes, S ebastien Hapdey, Su Ruan, S ebastien Thureau
Phác thảo
Cuộc thi AutoPET năm 2024 nhằm mục đích phát triển một thuật toán phân đoạn tổn thương hoàn toàn tự động cho chụp PET/CT sử dụng chất đánh dấu dựa trên FDG hoặc PSMA, mà không cần biết loại chất đánh dấu. Bài báo này mô tả cách huấn luyện hai tập hợp sáu mô hình bằng khung nnUNetv2 và cách chọn tập hợp mô hình để phân đoạn bằng MIP-CNN.
Takeaways, Limitations
•
Takeaways: Chúng tôi trình bày một giải pháp hiệu quả cho vấn đề phân đoạn tổn thương trong chụp PET/CT bằng cách sử dụng nhiều chất đánh dấu khác nhau, tận dụng khung nnUNetv2. Chiến lược lựa chọn mô hình sử dụng MIP-CNN giúp tăng cường khả năng thích ứng với nhiều chất đánh dấu khác nhau.
•
Limitations: Bài báo này tập trung vào việc mô tả một khuôn khổ và mô hình cụ thể, và thiếu phân tích so sánh với các phương pháp tiếp cận khác. Việc phân tích tác động của các biến số khác ngoài các chất đánh dấu khác nhau (ví dụ: chất lượng quét, kích thước tổn thương) là không đầy đủ. Kết quả xác thực hiệu suất trong bối cảnh lâm sàng thực tế không được trình bày.
