Divide Then Diagnose
PulseAugur coverage of Divide Then Diagnose — every cluster mentioning Divide Then Diagnose across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
AI医学图像分割模型存在标签“范围泄露”问题
一篇新研究论文探讨了视觉语言模型在医学图像分割中存在的“范围泄露”问题。研究发现，这些模型通常严重依赖于用于生成字幕的分割掩码中直接复制的信息，而不是仅仅从图像和文本中获取见解。这种泄露，特别是关于病灶的大小和位置，在用此类数据训练时，严重影响了模型的准确分割能力。研究人员提出了一种新的评估协议，以区分从图像中学到的信息和从标签中复制的信息。
-
PET分割模型的重叠度指标未能证明患者层面的肿瘤负荷
一篇新发表在arXiv上的研究论文探讨了诸如Dice等重叠度指标在评估用于估算代谢肿瘤体积（MTV）的PET分割模型方面的有效性。研究发现，虽然重叠度指标平均而言可以像相对MTV误差一样对模型进行排名，但它们不能可靠地证明患者层面的肿瘤负荷。在个体患者层面观察到显著差异，模型会遗漏病灶，或者出现掩盖空间误差的假阳性和假阴性体积的相反情况。作者建议PET分割基准测试应在传统的重叠度指标之外，包含患者层面的MTV误差和遗漏病灶计数。
-
新的基于因果的指标提高了组织病理学图像分割的可靠性
研究人员引入了一个新的组织病理学图像分割模型评估框架，侧重于因果关系，以确保模型依赖于相关的病理结构而不是虚假的相关性。该框架包括一个名为因果依赖评分（CRS）的指标，用于量化模型对前景组织与背景变化的敏感性。该方法通过 CAUSE-ViT 模型进行了演示，旨在通过受控干预和反事实增强来审计模型行为，从而提高医学图像分割系统的可靠性和临床稳健性。
-
新的基准 KU-PCPE 测试 AI 在图像构图方面接地视觉证据的能力
研究人员推出了 KU-PCP Elements (KU-PCPE)，这是一个新的基准，旨在评估模型在多大程度上能够识别图像中证明给定摄影构图标签的具体视觉区域。该基准包含超过 4,000 个带注释的训练掩码和 1,327 个任务的测试集，每个任务在图像-标签组合中包含三个掩码。初步结果显示，当前的视觉语言模型在接地视觉证据方面与人类标注者之间存在显著差距，最好的 VLM 达到了 .395 的 Dice 分数，而人类专家达到了 .867。
-
新研究强调文本到图像模型中的速度-安全权衡
一篇题为“欲速则不达？迈向安全的少步文本到图像模型”的新研究论文发布在arXiv上，探讨了文本到图像生成模型中速度和安全之间的权衡。研究表明，与它们的教师模型相比，更快的少步模型通常表现出更高的不安全内容生成率。此外，由于这些加速模型的生成过程脆弱，现有的消除不需要概念的方法对它们的效果较差。为了解决这个问题，研究人员提出了DICE（Distillation-Integrated Concept Erasure），一种针对少步模型量身…
-
新论文发现：几步式文本到图像模型以速度换安全
来自 Hugging Face 研究人员的一篇新论文探讨了几步式文本到图像模型中速度与安全性的权衡。他们发现，这些蒸馏模型中更快的生成速度通常会导致更高的不安全内容率，并且现有移除不希望概念的方法效果不佳。为解决此问题，研究人员开发了 DICE，一种针对几步式模型量身定制的新型蒸馏后擦除技术，该技术在减少不安全生成的同时保持整体质量方面显示出改进的结果。
-
AI生成的讽刺视频使用换脸技术
一段使用AI技术创作的讽刺视频，其中包含换脸功能，表明它并非真实录像。该内容在Mastodon上分享，被呈现为幽默和模仿。
-
TRIP-Shapley框架改进P2P联邦学习归因
研究人员开发了TRIP-Shapley，一个用于点对点联邦学习（P2PFL）中贡献归因的新框架。该方法解决了DICE等先前方法固有的通信开销和错误报告攻击漏洞。TRIP-Shapley为每一轮独立计算贡献分数，仅传播标量值以保持实际通信成本，同时仍能考虑整个训练过程中的影响。实验表明，与DICE相比，通信节省显著，并且能有效防御错误报告攻击。
-
新的MID指标评估医学图像分割分布
研究人员引入了MID（掩码-图像分布散度），一种用于医学图像分割的新型评估指标，它在分布层面而非样本层面进行比较。该新指标即使在无标签数据上也能评估分割质量，并验证预测掩码是否与真实标签群体的分布结构一致。MID已在13个公共数据集上进行了评估，并证明其能够跟踪Dice和Hausdorff距离等传统指标，同时还能识别分布偏移和图像-掩码不对齐。
-
研究发现：视网膜血管分割准确性受阈值选择影响
一篇新的研究论文评估了观察者选择和阈值选择对视网膜血管分割准确性的影响。该研究使用了CHASE DB1数据集，并分析了不同的阈值策略，包括固定阈值、观察者调优和最大最小值调优。结果表明，尽管最大最小值调优在大多数拟合中改变了阈值，但它在最差观察者Dice得分方面几乎没有提高。该论文提倡明确报告阈值选择和评估参考，以确保分割准确性评估的清晰度。
-
新的FCA引导框架为AI乳腺癌诊断解释提供了完美的有效性
研究人员开发了一个名为FCA-Guided Counterfactual (FCA-CF) 的新颖框架，为多模态乳腺癌诊断模型生成可操作的解释。该框架使用形式概念分析来约束对立样本解释的搜索，确保其临床相关性。在TCGA-BRCA数据集上的评估中，FCA-CF实现了完美的有效性，这意味着所有生成的对立样本都成功改变了诊断预测。它还表现出优越的稀疏性，与其他有效方法相比，所需的特征改变更少，并且与原始实例的接近度强。
-
新的BSC-Net改进了冠状动脉分割，以用于疾病分析
研究人员开发了BSC-Net，一个基于ResNet-U-Net的新型框架，旨在改进X射线冠状动脉造影中小冠状动脉的分割。该网络通过增强小血管表征和通过远程上下文建模及边缘感知损失函数来保持血管结构连续性，从而解决了成像噪声和复杂分叉等挑战。BSC-Net在两个公共数据集上取得了最先进的性能，能够进行准确的冠状动脉定量分析，以评估冠状动脉疾病。
-
新的XAI方法利用专家知识生成可感知的反事实示例
一篇新研究论文介绍了一种名为DiCEf的方法，它是可解释人工智能（XAI）中用于生成反事实示例（CFEs）的DiCE方法的扩展。这种增强方法通过模糊语言词汇整合专家知识，以确保生成的最小输入修改在语义上是有意义的且用户可感知的。该方法允许个性化的CFE，同时保持成本最小化、稀疏性和多样性，这在真实世界数据集上的实验结果得到了证明。
-
DICE 研究员在 ECML PKDD 上发表关于知识图谱嵌入的 ASTRA 论文
DICE 的研究员 Duygu Ekinci Birol 在那不勒斯的 ECML PKDD 2026 上发表了题为“ASTRA: Adaptive Structure-Aware Post-Hoc Alignment of Knowledge Graph Embeddings”的论文。该研究由 Mohamed Sherif、N'Dah Jean Kouagou 和 Axel Ngonga 合著，专注于对齐知识图谱嵌入。
-
新的SpFiLM技术提高了脑部MRI分割的准确性
研究人员开发了一种名为空间特征化线性调制（SpFiLM）的新技术，以提高自动脑区分割的准确性，特别是在增强对比度的T1ce MRI扫描中。由于外观差异，在T1w MRI上训练的传统方法在T1ce扫描上的表现效果较差。SpFiLM通过引入一个空间调制网络响应的条件层来解决这个问题，这与标准的特征化线性调制（FiLM）应用统一的缩放和偏移不同。在对134名患者的队列进行测试时，将SpFiLM层集成到U-Net架构中，在25名患者的测试集上…
-
新方法改进了脑组织学中纤维束的分割
研究人员开发了用于分割示踪剂组织学数据中纤维束的新方法，这是理解大脑连接性的关键步骤。该研究将 BCE 和 Dice 等传统像素重叠损失与 clDice、Betti matching 和 Topograph 等拓扑感知函数进行了比较，并利用了冻结的 DINOv3 基础模型。为了超越简单的重叠来更好地评估分割质量，引入了一种名为 Excess32 的新空间诊断指标，该指标测量了注释纤维束周围容差带之外的预测像素。该指标显示，仅靠检测指标…
-
DICE技术通过优化嵌入来增强文本到图像生成
研究人员开发了一种名为DICE（Distilling Classifier-Free Guidance into Text Embeddings）的新技术，以改进文本到图像生成。DICE优化文本嵌入，使其能够模仿无分类器引导（CFG）的效果，而无需相关的计算成本。该方法旨在提高生成图像与文本提示的对齐度，同时显著加快采样过程。在Stable Diffusion v1.5、SDXL和PixArt等模型上的实验证明了DICE在保留语义信息…
-
AI模型性能和人类变异性在癌症指数评估中的分析
研究人员评估了人类解读和AI模型性能的差异如何影响使用增强CT扫描评估放射学腹膜癌指数（rPCI）得分。研究发现，虽然人类观察者在分割区域方面表现出高度一致性，但一个已发布的nnU-Net模型表现相当，但在特定区域存在显著偏差。该研究模拟了转移灶，以评估这些分割差异对rPCI得分和PCI 20阈值分类的影响，并得出结论，rPCI评分通常对典型的分割变异性具有鲁棒性，而临界病例是专家审查仍然至关重要的主要领域。
-
新框架实现医学影像代码生成自动化
研究人员开发了AutoMedImg，一个新颖的多智能体框架，旨在实现医学影像处理代码的完全自动化生成。该系统分两个阶段运行：规划阶段，包括数据集分析和带有验证的架构设计；编码阶段，生成带有并行静态检查、执行测试和组装验证的模块。通过整合领域特定知识库和验证反馈，AutoMedImg旨在减少人为干预，提高复杂医学影像任务生成代码的可靠性。
-
新的AI方法提高了跨域MRI分割的可靠性
研究人员开发了一种名为CARD（基于反向扩散的共识校准）的新方法，以提高AI分割模型在医学成像中的可靠性，特别是在处理域外数据时。该技术利用扩散模型的内部机制，识别并纠正因域漂移（如MRI伪影或协议的变化）而产生的自信错误。CARD在各种MRI类型中显示出校准误差的显著提高，在许多比较中优于现有方法。