CAMELYON17
PulseAugur coverage of CAMELYON17 — every cluster mentioning CAMELYON17 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新方法揭示视觉模型中的空间捷径模式
研究人员开发了一种新方法，通过将每张图像的贡献图分组为重复的空间模式，来识别和表征视觉模型中的捷径学习。该方法利用 K-means 和非负矩阵分解，揭示了在各种数据集和模型架构（如 ResNet 和 ViT）中，捷径和任务贡献的共享和不同空间模式。发现的捷径组能够针对性地检查错误率较高的图像子集，而抑制捷径贡献的干预措施会显著降低模型性能，这表明结合抑制和放大方法可以减少性能差异。
-
病理学模型中的测试时适应会破坏解释的稳定性
一项关于计算病理学中测试时适应（TTA）的新基准研究表明，虽然 TTA 方法提高了模型的准确性，但它们会显著改变模型的解释。研究人员发现，冻结骨干的 TTA 方法对解释的漂移影响最小，而 CoTTA 和 RoTTA 等持续方法则导致最大的变化。研究还强调，与 transformer 和基础模型相比，卷积网络对解释漂移更敏感，并且解释稳定性与适应质量的关联性很弱，这可能导致临床应用中的静默故障。
-
新的ProsMAE框架增强了组织病理学表示学习
研究人员开发了ProsMAE，一个新颖的多源掩码自编码器（Masked Autoencoder）框架，用于组织病理学表示学习。该方法利用来自PANDA、CAMELYON17和BRACS等不同数据集的图块来训练一个能够处理组织形态和采集条件变化的编码器。然后将预训练的编码器迁移用于ISUP分级分类，与标准的MAE基线相比，性能有所提高。
-
新的AI方法将细胞束与注意力对齐以进行病理定位
研究人员开发了一种新的方法，通过将细胞束与分类器注意力相结合，来解释全切片图像中的弱监督病理定位。该方法旨在通过确保注意力图准确地突出诊断区域来提高AI模型在临床环境中的可信度。所提出的方法，即注意力条件一致性，同时训练分类器和细胞束，从而显著提高了识别癌组织的性能。
-
联邦学习框架FedHD对齐WSI特征以实现协同病理学
研究人员推出FedHD，一个新颖的联邦学习框架，专为协同数字病理学设计。该框架通过对齐高斯混合特征，解决了机构间不同架构和特征提取器带来的挑战。FedHD不共享模型参数，而是生成全切片图像（WSIs）的合成特征表示，然后使用基于课程的策略将其整合到本地训练中。