Sharpen your problem-solving skills the McKinsey way, with our weekly crossword. Each puzzle is created with the McKinsey audience in mind, and includes a subtle (and sometimes not-so-subtle)...

Chewy CEO Sumit Singh shares how relentless innovation and a customer-first mindset transformed a start-up into one of America’s largest and most trusted pet retailers.

本研究解决了动态正电子发射断层扫描(PET)中图像衍生输入函数(IDIFs)建模的精确性问题，传统方法忽视了解剖变异和复杂血管贡献。研究提出了一种基于多脏器分割的方法，将来自主动脉、门静脉、肺动脉和输尿管的IDIFs相结合，通过采用高分辨率CT分割增加器官特定的血流来源，显著降低了肝脏和肺部的均方误差(MSE)。这表明多种IDIFs在提升解剖建模和充分利用动态PET成像方面的潜力，可能促进示...

本研究提出了一种新框架——跨兄弟双重掩蔽自编码器（FratMAE），旨在克服现有PET/CT分析的局限性。该模型有效整合了解剖和功能信息，促进不同模态间的协同交互，展现了作为通用基础模型的潜力。

本研究开发了一种基于深度学习的自动化系统，利用18F-FDG PET对乳腺肿瘤进行分割和生物标志物提取，以评估新辅助化疗后的肿瘤演变，结果与手动分割高度相关。

本研究提出了一种新颖的L1加权骰子聚焦损失（L1DFL），旨在解决深度神经网络在自动检测和分割转移性前列腺癌病变中的分类困难。通过训练大量PET/CT扫描数据，L1DFL在分割性能上优于传统损失函数，显示出在复杂病变检测中的潜力。

本研究解决了MRI与PET成像之间的跨模态翻译困难，特别是利用血液生物标志物（BBBM）来增强PET图像合成的潜力。我们提出的Plasma-CycleGAN模型通过集成BBBM，显著提升了生成图像的质量，尤其在CycleGAN模型中实现了最佳的视觉真实感，标志着跨模态翻译的新进展。

本研究解决了在专业科学领域中数据稀缺和语言模型规模不断增长所带来的少样本学习与参数高效微调的挑战。提出的PETapter方法有效结合了PEFT与PET风格分类头，在保持高参数效率和模块化的同时，显著提升了少样本学习能力。研究结果表明，PETapter在多个NLP基准数据集上表现出与全面少样本微调相当的性能，同时提高了可靠性和分享性。

本文提出了一种新框架，利用多模态深度学习技术实现阿尔茨海默病的早期诊断，准确率高达97.19%。研究结合MRI和PET图像，探索不同模态的融合，以提高诊断效果，并强调早期检测的重要性。

本研究提出了一种新颖的时空引导扩散变换器概率模型(st-DTPM)，旨在解决双时段PET影像中的延迟扫描问题。该模型结合了CNN的局部特征与变换器的全局信息，显著提高了影像预测的准确性，实验结果表明其在影像质量和结构信息保持方面优于其他方法。

本研究提出了一种结合解剖知识与nnUNet模型的方法，以提高PET/CT成像中的病灶分割准确性。在FDG和PSMA数据集上的验证结果显示，该方法的Dice分数分别为76.90%和61.33%。

本研究提出了一种新方法来提高PET/CT图像中转移性病变分割的质量，通过调整数据增强方案和实施动态集成和测试时增强策略来改善分割精度和预测速度。该方法在多追踪剂和多机构环境下表现出色，具有广泛的应用潜力。

本文介绍了多种基于深度学习的方法来提高正电子发射断层扫描（PET）成像质量，包括生成对抗网络、条件变分自编码器和多模态条件对抗扩散模型。这些方法通过优化低剂量数据处理，改善图像质量和临床可靠性，降低辐射风险，展现了在PET成像中的应用潜力。

本研究提出了一种新的深度学习模型训练策略，用于PET/CT肿瘤分割，基于AutoPET挑战赛的数据集，取得了良好的分割效果。研究探讨了多种机器学习模型的应用，优化了分割输出，并为淋巴瘤分割提供了新方法，显示出在癌症诊断中的潜力。

本文介绍了基于压缩语言模型的参数有效调整框架CPET，旨在恢复因压缩技术导致的知识丢失。实验结果表明，CPET在特定任务中与压缩LLM的合作性能优于直接应用基本PET方法。此外，提出了多种新颖的调优策略，如HiDe-Prompt和UniPT，展示了在持续学习和低内存场景下的有效性。

本文提出了一种结合正电子发射断层扫描重建框架和扩散概率模型的低剂量PET图像优化方法，旨在改善图像质量并降低辐射暴露。研究表明，MRI引导的PET图像优于传统方法，新模型MC-Diffusion在ADNI数据集上取得显著改进。此外，利用扩散后验抽样解决非线性CT重建问题，展示了人工智能在生物医学成像中的潜力。

本文介绍了多种基于深度学习的医学图像分割方法，如融合框架、特征蒸馏和多任务网络，旨在提高脑肿瘤、肝肿瘤和淋巴瘤的分割准确性。这些方法在处理缺失模态和提升分割性能方面表现优异，具有临床应用潜力。

本文探讨了基于深度学习的图像合成技术，旨在从MRI图像生成淀粉样蛋白和tau PET图像。这些方法提高了阿尔茨海默病的早期检测能力，降低了成本和辐射风险。研究表明，合成图像在形状和对比度上与真实图像高度相似，新模型有效融合功能与结构信息，提升了预测性能。