Divide Then Diagnose
PulseAugur coverage of Divide Then Diagnose — every cluster mentioning Divide Then Diagnose across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
New FCA-Guided framework offers perfect validity for AI breast cancer diagnosis explanations
Researchers have developed a novel framework called FCA-Guided Counterfactual (FCA-CF) to generate actionable explanations for multi-modal breast cancer diagnosis models. This framework uses Formal Concept Analysis to c…
-
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。
-
新的FCom-DICE方法可隐藏图神经网络中的社区
研究人员开发了一种名为FCom-DICE的新方法，用于保护网络中敏感社区免遭图神经网络（GNNs）识别。该技术通过对网络连接和节点特征进行微小且保持效用的修改来实现。FCom-DICE旨在降低GNNs用于社区推断的区分度，从而增强隐私。该方法在包括社交网络和金融交易数据在内的各种真实世界数据集上，表现优于仅基于结构的方法。
-
新的FS-JEPA方法提升了用于医学图像分割的KAN · 跟踪2个来源
研究人员开发了一种名为函数空间联合嵌入预测学习（FS-JEPA）的新方法，以提高Kolmogorov-Arnold网络（KANs）在医学图像分割中的性能。该方法通过在聚合之前预测其行为的结构化签名来训练单个KAN边缘函数，提供了比以前的方法更具信息量的学习目标。在五个基准上的实验表明，FS-JEPA取得了最佳的平均Dice分数，比现有的基于KAN的方法提高了2.25个百分点。
-
新的自适应提示框架改进了多器官超声分割
研究人员开发了BAP-MOS，一种用于多器官超声分割的新型框架，该框架解决了相邻结构和局部边界误差的挑战。该系统采用自适应提示策略，将提示选择视为一个特定器官的多臂老虎机问题。这种方法在微调过程中优化提示偏好，从而显著提高了分割精度，尤其是在边界敏感的任务中。
-
新研究强调超声心动图 AI 模型中的偏差
研究人员在超声心动图分割模型中发现了一种“条件可用性偏差”，其中训练期间使用的辅助信号比部署时可用的信号更干净。这种捷径学习可能导致模型在实际场景中应用时表现不佳。该研究提出了部署感知检查点选择和相位扰动等方法来缓解这些问题，但指出提高分割精度并不总是能转化为更好的射血分数估计。
-
新型神经算子加速tFUS数字孪生模拟
研究人员开发了tFUSOperator，这是一种新颖的神经算子，旨在精确预测经颅聚焦超声（tFUS）治疗的颅内声场。该方法通过学习从自由场压力、颅骨解剖结构和治疗参数到颅内声场的映射，解决了传统数值求解器的计算成本问题。该模型在声聚焦定位方面表现出高精度，并且运行速度远快于数值模拟，从而能够实现用于患者特定tFUS治疗的实用数字孪生。
-
DARPA启动DICE项目，旨在开发10万个自主AI代理
DARPA正在启动一个名为“通过受控涌现实现去中心化人工智能”（DICE）的项目，旨在开发一个能够独立思考和行动的大规模AI代理网络。该项目目标是创建约10万个此类代理，目前已发布了提案者日活动的初步提案和幻灯片。该举措似乎侧重于受控AI涌现和去中心化系统的研究。
-
新方法量化超声心动图分割中的域偏移
研究人员开发了量化和预测超声心动图左心室分割中域偏移的方法，这是临床部署的关键挑战。他们的研究发现，几何不一致性而非声学差异是造成这种偏移的主要原因。所提出的技术可以在部署前估计域偏移对分割性能的影响，预测模型取得了显著的准确性。
-
Capgemini 领导者提议 DICE 框架以实现集成客户智能
Capgemini 的数字化转型领导者 Hemant Soni 提出了数据集成营销活动参与 (DICE) 框架，以解决企业拥有更多客户数据但 AI 驱动的智能却更少这一悖论。该框架主张将营销活动数据视为共享客户模型的实时输入，而不是事后分析。DICE 基于三个原则：用于持续更新客户模型的统一智能层、用于实时学习的闭环参与，以及确保一致客户体验的集中式、渠道无关的决策。
-
新型递归控制器增强轻量级息肉分割
研究人员开发了一种新颖的递归控制器，用于轻量级息肉分割，直接在骨干 logits 上操作以改进预测。该控制器聚合差异和不确定性证据来更新状态跟踪校正效用，并应用加性残差 logit 校正。该方法在 Kvasir-SEG 数据集和三个迁移数据集上使用统一协议进行评估，结果显示与开销极小的较重方法相比，性能持续提升且具有竞争力。
-
新框架DICE通过[uncertainty estimation]增强AI病理模型可靠性
研究人员开发了一个名为DICE的新框架，以提高全切片图像分析的病理基础模型（PFMs）的可靠性。该框架集成了多个固定的PFMs，并利用它们的差异来估计预测的不确定性。通过深度互学习对这些集成成员进行对齐，DICE提供了更有意义的置信度估计，甚至可以在没有明确监督的情况下定位异常。在三个基准上的评估表明，DICE在各种设置下都能准确标记不可靠的预测，并在分类、校准和定位方面达到或超过最先进的方法，使PFMs更接近临床决策支持。