研究人员开发了用于医学图像分割的新型多任务学习框架,重点关注乳腺和甲状腺超声数据。第一种方法利用符合BI-RADS的形态学先验,通过将病灶特征整合到学习过程中,改进了分割和恶性肿瘤分类。第二个框架UCBound-Net通过利用不确定性引导的边界蒸馏来解决持续学习的挑战,以减轻模型适应新解剖学领域时灾难性遗忘的问题。 AI
影响 这些进展可能带来更准确、更鲁棒的医学影像诊断工具,从而改进分割和分类任务。
排序理由 该集群包含两篇学术论文,详细介绍了用于医学图像分割的新型AI方法。
- BUSI
- catastrophic forgetting
- clinical imaging
- Mohammad Amanour Rahman
- Monte Carlo (MC) dropout
- TN3K
- UCBound-Net
- BI-RADS
- EfficientNet-B7
- Saed Moradi
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →