研究人员开发了新颖的方法，以提高AI模型在不同设备和临床站点之间的医学影像泛化能力。一种方法使用无标签目标数据和源域监督，结合掩码图像建模和对比学习来学习无标签的结构表示，并通过具有置信度感知的注入头来调整预测。该方法在使用床旁超声进行儿童腕部骨折评估的跨设备性能上实现了超过6%的Dice改进。另一种策略侧重于半监督域泛化的域不可知特征调制，特别是在域标签不可用的场景下。该技术在抑制域特定信息的同时增强了类判别性特征，从而获得了更鲁棒的表示和更高的伪标签准确性。 AI
影响 这些方法为医学影像提供了更鲁棒、更少依赖标签的AI解决方案，有可能在不同的临床环境和设备中提高诊断准确性。
排序理由 该集群包含两篇详细介绍AI在医学影像领域新研究方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2605.29122v1 Announce Type: new Abstract: It is often desirable to generalize medical imaging AI models trained with dense annotations to data acquired from different ultrasound scanners or clinical sites; however, retraining these models with new annotations is often diffi…
arXiv:2503.20897v2 Announce Type: replace Abstract: Semi-supervised domain generalization (SSDG) leverages a small fraction of labeled data alongside unlabeled data to enhance model generalization. Most of the existing SSDG methods rely on pseudo-labeling (PL) for unlabeled data,…