EfficientNet-B5
PulseAugur coverage of EfficientNet-B5 — every cluster mentioning EfficientNet-B5 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
AI框架有助于诊断脱发状况
研究人员开发了一个由AI驱动的框架，用于定量分析头皮状况，特别是雄激素性脱发（AGA）。该系统结合了多个阶段，包括毛囊单位定位、毛干计数和宽度估计以及区域聚合，以协助皮肤科医生进行诊断。该框架使用临床队列和大量的毛发镜图像进行了评估，在检测和分类毛囊单位方面表现出高精度。
-
预训练和蒸馏在细胞分类中优于架构选择
一篇新发表在arXiv上的研究调查了不同深度学习架构在无标签单细胞分类中的有效性。研究发现，预训练和微调策略比架构选择（如CNN与Vision Transformers (ViTs)）更关键。具体来说，预训练模型即使参数更少，也显著优于从头开始训练的模型。研究还强调，知识蒸馏可以为实际部署带来更高效、性能更好的紧凑型模型。
-
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…
-
新框架增强了人工智能在视网膜疾病检测中的可解释性
研究人员开发了CounterFundus，一个用于解释视网膜疾病分类中深度学习模型的新框架。该框架利用CycleGAN生成反事实解释，将病理图像转换为估计的健康对应图像。一个新的指标，反事实分类器对齐分数（CCAS），量化了这些反事实与分类器注意力的空间一致性，证明了与临床相关的视网膜证据的一致性。此外，CCAS过滤的反事实增强已被证明可以提高眼底图像的分类性能。
-
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。
-
深度学习从OCTA扫描中重建视网膜三维微血管
研究人员开发了一种新颖的深度学习算法，可以从单个OCT血管造影（OCTA）体积数据中重建视网膜复杂的微血管三维结构。该方法利用EfficientNet-B5编码器和专用解码器，从三个相邻帧预测恢复的中间B帧，解决了现有OCTA处理技术中常常忽略完整血管结构的局限性。该算法在图像质量方面表现出显著的改进，与原始单次OCTA体积数据相比，PSNR和SSIM得分显著更高，并且在2D和3D重建中都显著增强了微血管的保真度。
-
KAYRA AI系统为核型分析提供灵活的云端/本地部署选项
研究人员开发了KAYRA，一种用于AI辅助核型分析的微服务架构，专为临床细胞遗传学实验室设计。该系统集成了多种机器学习模型，包括语义分割和分类，用于分析染色体图像。KAYRA支持云端和本地部署，以满足不同的数据隐私要求，并在试点评估中展示了高准确性。
-
研究人员在皮肤镜模型中发现概念不一致性，影响准确性。
研究人员在 Derm7pt 皮肤镜数据集中发现了显著的概念层面不一致性，这限制了概念瓶颈模型 (CBMs) 的准确性。通过应用粗糙集理论，他们发现 16.4% 的概念配置文件与冲突的诊断相关联，理论上将 CBM 的准确性上限设定在 92.1%。该研究还提出了一个经过筛选的一致性子集 Derm7pt+，证明了在各种骨干架构下 CBM 性能的提高。