dermatoscopy
PulseAugur coverage of dermatoscopy — every cluster mentioning dermatoscopy across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
New Locus framework guides AI attention to relevant anatomy in medical images
研究人员开发了 Locus，一个旨在通过引导模型注意力到诊断相关的解剖区域来改进医学图像分类的新框架。该方法利用预训练的分割基础模型提取解剖形状先验，避免了手动标注或专门的分割模型训练的需要。Locus 引入了一个正则化项，在解剖区域和背景区域之间平衡注意力，当背景注意力过高时对分类器进行惩罚。该框架在包括皮肤镜、X射线、组织病理学和心脏 MRI 在内的八个不同的医学影像数据集上，展示了持续的性能提升和更符合解剖学原理的注意力。
-
新框架CIPHER解决医疗AI诊断中的偏见问题
研究人员开发了一个名为CIPHER的新框架，以解决用于医学诊断的深度学习模型的性能差异问题。CIPHER干预了种族和性别等敏感属性可能影响图像内容的四个不同因果路径，而这是以前被忽视的复杂性。通过利用具有分类器自由引导和空文本反演的扩散模型，CIPHER可以重建患者解剖结构并合成反事实，以打破依赖链。在胸部X光和皮肤镜检查基准上的测试表明，与现有方法相比，CIPHER将最差组的差异平均减少了35.8%，同时还提高了整体诊断准确性。
-
新AI框架跨模态提升医学图像异常检测能力
研究人员开发了一种新颖的、无需训练的医学图像异常检测框架，该框架可应用于各种成像模态，而无需特定于模态的架构或重新训练。该方法在最近的一篇arXiv论文中有所详述，在特征提取后插入一个流形精炼阶段，以增强正常样本和异常样本之间的区分度。通过将嵌入引导至局部密集区域，该方法压缩正常数据，在进行高斯密度估计和基于马氏距离的评分之前有效地分离异常。该框架在MedIAnomaly基准的七个数据集和五种成像类型上进行了测试，表现出色，在四个数据…
-
MLLM代理在零样本疾病诊断方面显示出潜力，但临床部署仍遥遥无期
一项发表在arXiv上的试点研究探讨了多模态大型语言模型（MLLM）在零样本设置中区分视觉上相似疾病的能力。研究人员引入了一个使用对比裁决的多代理框架，在黑色素瘤与非典型痣以及肺水肿与肺炎的诊断任务上测试代理。虽然该框架在皮肤镜数据上准确率提高了11个百分点，并减少了无根据的声明，但由于缺乏临床背景和人类标注固有的不确定性等限制，总体性能尚不足以进行临床部署。
-
新的门控差分线性注意力提高了医学图像分割的准确性
研究人员开发了一种新的门控差分线性注意力（GDLA）机制，旨在改进医学图像分割。该方法结合了线性注意力的效率和增强的边界保持能力，解决了Transformer和传统CNN的局限性。GDLA通过有效平衡准确性和计算成本，在各种医学成像模态上取得了最先进的结果。