研究人员开发了GRC-ProbNet，一种不确定性感知特征提取方法，旨在提高从CT图像分类心血管疾病（CVD）的准确性。这种新方法通过使用深度集成生成多个分割掩码来提取不确定性特征，从而建立在现有的GRC-Net管道之上。在MM-WHS和ASOCA数据集上的实验表明，GRC-ProbNet显著提高了CVD分类性能，AUROC达到了92.92%，而基线GRC-Net为91.25%。研究还发现，最能指示分割质量的不确定性度量并不总是为下游分类任务提供最强的信号。 AI
影响 通过人工智能驱动的图像分析，提高了心血管疾病的诊断准确性。
排序理由 详细介绍医学图像分析新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
