English(EN) Tissue Detection Determines False Positives in Diffusion-Based Histopathology Artifact Detection

组织病理学伪影检测的准确性取决于组织检测方法

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-01 04:00

一篇新发表在arXiv上的研究论文探讨了组织检测方法对基于扩散的组织病理学伪影检测器准确性的影响。研究发现，不同的组织检测技术显著影响这些检测器的假阳性率，其中基于熵的检测优于基于Otsu的方法。用于训练的“干净池”的组成，特别是包含清晰区域组织，被确定为假阳性的关键因素，而不仅仅是池的大小。这项研究强调了组织检测在组织病理学单类伪影检测模型质量控制中的关键作用。 AI

影响强调了AI模型中的预处理选择如何显著影响医学影像中的诊断准确性。

排序理由关于AI/ML研究中特定技术发现的学术论文。[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 →

本文如何被排名

Signal score: 22 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 关于AI/ML研究中特定技术发现的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Konstantinos Moutselos, Ilias Maglogiannis · 2026-10-01 04:00

组织检测确定扩散式组织病理学伪影检测中的假阳性

arXiv:2609.40083v1 Announce Type: cross Abstract: One-class artifact detectors for whole-slide images learn normal tissue from a clean training pool and flag departures from it. The pool is built by a preprocessing pipeline whose tissue-detection step is usually treated as neutra…

本文如何被排名

报道来源 [1]

组织检测确定扩散式组织病理学伪影检测中的假阳性

相关实体

相关话题