PulseAugur
中
实时 11:41:35
English(EN) Comparison of Loss Functions for Robust Deep Learning-based Echocardiography Segmentation when Learning with Partially Labelled Data from Multiple Domains

新研究比较部分标记数据超声心动图分割的损失函数

作者 PulseAugur 编辑部 · [2 个来源] ·

一项新近发表在arXiv上的研究评估了三种损失函数——aCCE损失、边际损失和aBCE损失——在利用来自多个域的部分标记数据进行深度学习超声心动图分割中的表现。研究发现，这三种函数在域内任务上表现均良好。在域间任务中，当缺少一个标签时，aBCE和边际损失表现更优；当缺少多个标签时，边际损失表现最佳，证明了其在复杂场景下的鲁棒性。 AI

影响 这项研究可能为医学图像分析带来更鲁棒的AI模型，尤其是在数据集不完整或多样化的场景下。

排序理由 该集群包含一篇学术论文，详细比较了特定深度学习任务的损失函数。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新研究比较部分标记数据超声心动图分割的损失函数

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Iman Islam, Esther Puyol-Ant\'on, Bram Ruijsink, Andrew J. Reader, Andrew P. King ·

    在具有多领域部分标记数据进行学习时，用于鲁棒深度学习超声心动图分割的损失函数比较

    arXiv:2607.05008v1 Announce Type: cross Abstract: Echocardiography is the first imaging modality used for assessing cardiac function, and accurate segmentation of cardiac structures is essential for deriving biomarkers. However, the development of effective automated segmentation…

  2. arXiv cs.AI TIER_1 English(EN) · Andrew P. King ·

    多领域部分标注数据训练下，用于鲁棒深度学习超声心动图分割的损失函数比较

    Echocardiography is the first imaging modality used for assessing cardiac function, and accurate segmentation of cardiac structures is essential for deriving biomarkers. However, the development of effective automated segmentation models for multiple cardiac structures is challen…

相关实体

相关话题