CBIS-DDSM
PulseAugur coverage of CBIS-DDSM — every cluster mentioning CBIS-DDSM across labs, papers, and developer communities, ranked by signal.
-
研究发现 MedSAM 适应会损害分布外性能
一项新的研究论文探讨了如何为医学图像分割调整 MedSAM 等基础模型，可能会无意中损害其在分布外 (OOD) 数据上的性能。该研究在 ISIC 2018 数据集上测试了六种适应策略，包括完全微调和参数高效方法，如 LoRA 和视觉提示调优。研究人员发现，虽然适应可以提高在分布内和接近分布外数据上的性能，但它通常会降低在远离分布外数据上的性能，而完全微调提供了最佳的权衡。该论文认为，解码器表征漂移是导致 OOD 性能下降的关键因素，并…
-
DualMiT-Net 通过双分支 AI 增强乳腺肿块分割
研究人员开发了 DualMiT-Net，这是一种用于分割乳腺钼靶图像中乳腺肿块的新型深度学习模型。该双分支网络结合了肿块的聚焦视图和周围乳腺组织的更广泛背景。局部分支利用 Mix Transformer (MiT-B5) 进行详细的形状和纹理分析，而全局分支则采用 EfficientNet-B5 来捕获上下文信息。在 CBIS-DDSM 数据集上的实验结果表明，DualMiT-Net 的平均 Dice 系数为 0.9375，平均交并比…
-
新的CBM方法减少了可解释癌症影像的标注负担
研究人员开发了一种新的方法，使用概念瓶颈模型（CBM）进行可解释的癌症影像诊断。该方法整合了有限的概念标注、类别条件分布匹配和先验初始化，以提高透明度。混合CBM在概念AUC方面显示出显著的提升，尤其是在低标注场景（0-20%）下，同时保持了与黑盒模型相当的诊断性能。
-
新方法加速 Vision Transformer 在边缘设备的适配
研究人员开发了更有效地将 Vision Transformer (ViT) 适配到特定任务的新方法。一种方法使用遗传编程来演化层特定的标量函数，以近似归一化层，在 ImageNet-1K 上实现高精度，同时降低边缘设备的计算复杂度和内存流量。另一种方法，Circuit Fine-Tuning (CFT)，使用电路发现来识别和微调 ViT 的关键模块，与标准参数高效微调技术相比，在各种基准测试中显著减少了训练时间和 FLOPs。
-
AI模型在乳腺摄影分析中丢失关键癌症线索 · 2篇论文
两篇新研究论文探讨了用于乳腺摄影的弱监督AI模型中关键诊断信息的退化。第一篇论文介绍了一种基于梯度的潜在分解方法，解释了为何粗糙的病灶特征得以保留，而细粒度的恶性肿瘤线索却丢失了。第二篇论文提出了一个诊断差距框架，用于评估重建保真度如何影响这些模型中的决策和解释保留。两项研究都强调，随着重建质量的下降，这些AI系统准确诊断乳腺癌的能力会显著减弱。
-
新AI方法改进乳腺X线摄影病变分类
研究人员开发了一种新的区域接地视觉语言学习方法，用于对乳腺X线摄影病变进行分类。该方法将病变特定特征与临床描述符对齐，并结合辅助病变检测头，以提高空间敏感性和定位感知恶性肿瘤分类。在CBIS-DDSM和VinDr-Mammo数据集上的实验表明，在各种学习设置下，其性能优于现有方法。
-
AI乳腺X线摄影模型学习数据集来源，而非仅疾病
一篇新发表在arXiv上的研究探讨了数据集来源对用于筛查乳腺X线摄影的AI模型的影响。研究人员发现，用来自外部、异常丰富的数据库的活检证实现例补充主要数据集（NLBSD）实际上降低了性能。AI模型似乎学习了数据集特有的特征，而不是可泛化的医学见解，其能够以高准确度预测数据集来源的能力证明了这一点。这表明简单地汇集不同的数据集可能会引入域偏移，从而阻碍AI模型的有效性，并强调了在医学AI开发中需要采用域感知策略。
-
BiLoG-Net 通过新颖的深度学习方法增强乳腺癌检测
研究人员开发了 BiLoG-Net，一个新颖的深度学习框架，旨在提高乳腺钼靶图像中乳腺肿块分割和恶性度分类的准确性。该模型在一个编码器-解码器架构中集成了双上下文定位感知特征建模和分割引导的注意力机制。BiLoG-Net 旨在通过在单一的端到端过程中提供精确的边界描绘和可靠的恶性度评估，来增强临床计算机辅助检测系统，从而可能提高放射科医生的筛查效率。
-
新的DSU-Net模型增强了乳腺钼靶图像中的乳腺病变分割
研究人员开发了DSU-Net，这是一种新颖的深度学习模型，旨在改进乳腺钼靶图像中乳腺病变的分割。这种注意力增强的密集跳跃U-Net架构旨在通过提供更准确、更一致的病变定位来协助放射科医生，这对于早期乳腺癌检测至关重要。该模型在CBIS-DDSM数据集上表现出色，取得了0.9421的Dice相似系数和0.9878的AUC-ROC，表明其在增强计算机辅助筛查和诊断方面的潜力。