Agente LLM automatizza la ricerca sulla ricostruzione TC
Un nuovo studio indaga quanto bene un modello linguistico di grandi dimensioni (LLM) possa condurre autonomamente la ricerca sulla ricostruzione TC. L'LLM modifica un risolutore passo dopo passo, esegue job su cluster, controlla una metrica specifica e apporta le modifiche necessarie. Questa metrica è un punteggio di headroom calibrato rispetto al baseline FBP all'interno dell'area visibile, utilizzando un proiettore a fascio conico differenziabile condiviso. I ricercatori hanno testato 26 metodi su TC a basso dosaggio di Mayo e su un compito di mammografia sparsa a 128 viste della DL-Sparse-View Challenge senza rumore. Hanno valutato le iterazioni selezionate su un set di test diverso e hanno rivalutato ogni modello mammografico con input rumorosi senza riaddestramento. Lo studio mira a ridurre il lavoro manuale nel confronto delle tecniche TC e a verificare se le classificazioni basate su dati ideali possano prevedere le prestazioni nel mondo reale.
Fatti principali
- L'agente LLM modifica autonomamente il risolutore, esegue job su cluster, legge la metrica e rivede
- La metrica è il punteggio di headroom calibrato rispetto al baseline FBP all'interno del campo visivo
- Tutti i metodi condividono lo stesso proiettore a fascio conico differenziabile
- 26 metodi confrontati su TC a basso dosaggio di Mayo e sul compito mammografico della DL-Sparse-View Challenge
- Le iterazioni selezionate tramite validazione sono state valutate su un set di test escluso
- I modelli mammografici sono stati rivalutati su input rumorosi (I_0 = 10^5 fotoni) senza riaddestramento
- È stato eseguito anche un riaddestramento separato su rumore corrispondente
- Lo studio confronta le classificazioni su dati ideali vs. rumore realistico
Entità
Istituzioni
- arXiv