PulseAugur
中
实时 10:32:37
English(EN) Unsupervised Domain Adaptation for Calcification Classification in Mammography Across Multi-Site Datasets

AI框架改进了跨数据集的乳腺钼靶钙化分类

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新颖的乳腺钼靶钙化分类框架，旨在提高不同数据集和成像技术下的诊断准确性。该系统利用无监督域适应和AdaIN、CycleGAN等风格迁移模型生成多样化的训练样本，无需额外标注。Swin Transformer V2骨干网络随后执行监督分类。该方法在外部分析数据集上展示了改进的性能，提高了EMBED和Duke钙化数据集的AUC分数，从而减少了域偏移问题并增强了泛化能力。 AI

影响 增强了医学影像AI模型的泛化能力，有望提高乳腺癌检测的诊断准确性。

排序理由 该集群包含一篇详细介绍医学图像分析新方法的学术论文。

在 arXiv cs.CV 阅读 →

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

AI框架改进了跨数据集的乳腺钼靶钙化分类

报道来源 [2]

  1. arXiv cs.CV TIER_1 English(EN) · Xuan Liu, Derek L. Nguyen, Emily C. Barre, Jennifer Thomas, Thomas Lynch, Jeffrey R. Marks, E. Shelley Hwang, Marc D. Ryser, Joseph Y. Lo, Lars J. Grimm ·

    多中心数据集乳腺X线摄影钙化分类的无监督域自适应

    arXiv:2607.06549v1 Announce Type: new Abstract: Deep learning-based computer-aided diagnosis (CAD) systems have shown strong performance in breast cancer diagnosis, particularly for classification tasks in mammography. However, domain shifts across multi-site datasets remain a ch…

  2. arXiv cs.CV TIER_1 English(EN) · Lars J. Grimm ·

    多中心数据集乳腺X线摄影钙化分类的无监督域自适应

    Deep learning-based computer-aided diagnosis (CAD) systems have shown strong performance in breast cancer diagnosis, particularly for classification tasks in mammography. However, domain shifts across multi-site datasets remain a challenge, especially when models are applied to u…

相关实体

相关话题