Søk blir tilgjengelig når de første sakene publiseres.
E(3)-Pose lærer de fysiske symmetriene i fosterhjernen og estimerer hodets posisjon fra raske 3D-MR-bilder. Målet er at fremtidige skannere kan justere diagnostiske bilder mens fosteret beveger seg.
Når ultralyd gir mistanke om en utviklingsforstyrrelse i fosterhjernen, kan MR gi radiologen mer detaljert informasjon. Men fosteret ligger sjelden stille mens bildene tas.
Diagnostiske MR-bilder tas ofte som todimensjonale snitt i bestemte anatomiske retninger. Hvis hodet beveger seg etter at retningen er planlagt, kan snittene havne feil. Resultatet kan bli bilder som er vanskeligere å tolke og i noen tilfeller behov for nye opptak.
Forskere ved MIT, Boston Children's Hospital og samarbeidende institusjoner har utviklet en KI-metode som angriper problemet før hvert diagnostiske bilde tas.
Metoden heter E(3)-Pose og estimerer fosterhodets posisjon og orientering i seks frihetsgrader fra raske, lavoppløselige 3D-MR-volumer.
I stedet for å lære alle mulige hodeposisjoner som separate mønstre bygger modellen geometriske regler direkte inn i nettverket. Den er konstruert for å håndtere rotasjoner på en konsistent måte og for å ta hensyn til at anatomi kan ha symmetrier som gjør ulike orienteringer vanskelige å skille fra hverandre.
Det er særlig nyttig i kliniske MR-data, som kan inneholde støy, lav oppløsning og artefakter. En modell som bare har lært hvordan gode forskningsbilder vanligvis ser ut, kan ellers få problemer når den møter mer uforutsigbare bilder fra klinikken.
I arbeidet, presentert på ECCV 2026, sammenlignet forskerne E(3)-Pose med flere eksisterende strategier for poseestimering.
Forskerne rapporterer at modellen oppnådde state-of-the-art nøyaktighet på kliniske MR-volumer og generaliserte bedre mellom datasett enn metodene den ble sammenlignet med.
Poenget er ikke at KI-en diagnostiserer hjernen. Den forsøker å svare på et mer grunnleggende spørsmål: Hvor befinner fosterets hode seg akkurat nå, og hvilken vei peker det?
Et presist svar kan brukes til å plassere neste diagnostiske MR-snitt i riktig retning.
Den foreslåtte arbeidsflyten bruker et raskt 3D-opptak før hvert diagnostiske 2D-bilde. E(3)-Pose estimerer hodets nye posisjon, og denne informasjonen kan brukes til å justere hvor neste snitt tas.
Målet er dermed en mer adaptiv MR-undersøkelse der skanningen følger bevegelsene i stedet for å anta at fosteret fortsatt ligger som ved starten av undersøkelsen.
Forskerne håper dette på sikt kan gi mer pålitelige bilder, redusere behovet for manuell justering og gjøre undersøkelsen mer komfortabel ved å unngå unødvendige gjentakelser.
E(3)-Pose er ikke presentert som et ferdig klinisk diagnosesystem. Resultatene viser poseestimering på forsknings- og representative kliniske datasett og er ment å støtte fremtidig klinisk oversettelse.
Modellen er dessuten hovedsakelig trent på fostre i tredje trimester. Yngre fostre er mindre og har mer plass til å bevege seg, noe som gjør oppgaven vanskeligere. Forskerne peker derfor på andre trimester som et viktig område for videre arbeid.
Det interessante med E(3)-Pose er hvordan KI-en er bygget: i stedet for å håpe at et stort datasett lærer modellen all nødvendig fysikk, er noen av reglene for bevegelse og symmetri lagt inn i selve arkitekturen.
Hvis metoden fungerer robust i en klinisk arbeidsflyt, kan resultatet bli mindre tid brukt på å jakte etter et foster i bevegelse og mer tid på bildene radiologen faktisk trenger å vurdere.
FORTSETT Å UTFORSKE
Målinger på et elektrondopet kobberoksid knytter superledning direkte til antiferromagnetiske spinnfluktuasjoner. Resultatet løser en viktig del av gåten, men ikke mekanismen bak de høyeste overgangstemperaturene.
Quantinuum rapporterer 99,9995 prosent logisk minnenøyaktighet på Helios-systemet. Resultatet viser kraftig feilundertrykking med en color code, men skalering til nyttig feiltolerant beregning gjenstår.
Forskere har utviklet en kunstig hud med mer enn 10 000 berøringssensorer som organiserer signalene mer som det menneskelige nervesystemet. I forsøk lot systemet roboter kjenne svært små overflatestrukturer og reagere automatisk på potensielt skadelig berøring.