PulseAugur
中
实时 05:21:51
English(EN) MOSAIC: Modality-agnostic Spectral Alignment for Federated Image-level Weakly Supervised Tumor Segmentation under Client-specific Missing Modalities

新的MOSAIC框架支持图像级标签的联邦肿瘤分割

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了MOSAIC，一个新颖的联邦学习框架，专门用于使用图像级标签进行弱监督肿瘤分割。该框架解决了不同机构之间医学成像模态缺失或不完整的问题，这是临床环境中阻碍数据融合和模型性能的常见问题。MOSAIC引入了一个模态无关对齐模块和一个谱原型对齐损失来协调跨客户端的分布偏移，在现有基线上取得了显著改进，并在FeTS2022等基准测试上接近全监督精度。 AI

影响 这项研究通过在即使跨机构的医学成像数据不完整或多样化的情况下也能有效训练模型，从而可能提高临床环境中人工智能驱动的肿瘤分割的准确性和可及性。

排序理由 该集群包含一篇详细介绍医学图像分析新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的MOSAIC框架支持图像级标签的联邦肿瘤分割

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Tarun Kumar Garg, Vaanathi Sundaresan ·

    MOSAIC：面向客户端特定缺失模态的联邦图像级弱监督肿瘤分割的模态无关谱对齐

    arXiv:2608.19788v1 Announce Type: cross Abstract: Trustworthy multimodal fusion in clinical settings requires handling incomplete and heterogeneous modality subsets across institutions, where privacy constraints prohibit centralized data sharing. Federated learning (FL) mitigates…

相关实体

相关话题