APTOS 2019
PulseAugur coverage of APTOS 2019 — every cluster mentioning APTOS 2019 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
RETFound 模型适应性改进，用于糖尿病视网膜病变筛查，并具备不确定性感知能力
本文研究了用于筛查糖尿病视网膜病变的自监督视觉 Transformer 模型 RETFound 的不确定性感知自适应技术。研究在 APTOS 2019 和 DDR 数据集上评估了各种方法，包括贝叶斯最后一层头部和事后校准。虽然不确定性感知方法在提高 APTOS 数据集的敏感性和选择性转诊行为方面显示出潜力，但其有效性在 DDR 数据集上有所下降，凸显了数据集迁移的挑战以及明确的安全覆盖评估的必要性。
-
学生寻求改进不一致的糖尿病视网膜病变AI模型的建议
一位计算机工程专业的学生正在寻求改进一个在APTOS 2019数据集上训练的5类糖尿病视网膜病变检测模型的建议。该模型表现出不一致的预测，将中度（Moderate）等类别错误地分类为重度（Severe）或增殖性（Proliferative），并且即使在预测错误的情况下也表现出高置信度，尤其是在训练数据集之外的图像上。该学生已经尝试了各种预训练模型、预处理技术和测试时增强（test-time augmentation），现在正在考虑集成…
-
新的Chaos-SSL框架提升医学图像分类性能
研究人员推出Chaos-SSL，一个新颖的两阶段框架，旨在通过解决标准自监督学习方法的局限性来改进医学图像分类。该框架在预训练期间利用一维混沌映射作为复杂的增强手段，以生成更丰富的细粒度医学纹理表示。然后，一个基于注意力机制的融合模型将这些专业特征与通用模型产生的特征相结合，在皮肤病变和糖尿病视网膜病变数据集上取得了最先进的性能。
-
新的混沌自监督学习提高了医学图像分类的准确性
研究人员开发了一种名为混沌去噪自编码器（CDAE）的新型自监督学习策略，用于医学图像分类。与使用掩码的方法不同，CDAE 对图像应用混沌变换，要求自编码器重建原始图像，从而学习到鲁棒的、特定领域的特征。一种注意力融合机制将这些学习到的特征与标准特征相结合，在皮肤病变和糖尿病视网膜病变数据集上取得了高性能。
-
AI模型提供可解释的糖尿病视网膜病变分级，并附带视觉和文本解释
研究人员开发了一种新的糖尿病视网膜病变（DR）分级方法，该方法将深度学习模型与可解释的解释相结合。该方法使用卷积神经网络（CNN）和Transformer架构，通过加权软投票集成实现了高达0.934的QWK分数。为了实现可解释性，该研究使用Grad-CAM++生成了视觉归因图，并使用视觉语言模型生成了文本解释，旨在从视网膜图像中提供具有临床意义的见解。