HAM10000
PulseAugur coverage of HAM10000 — every cluster mentioning HAM10000 across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
皮肤病学AI泛化差距更多与疾病转移而非肤色相关
一项发表在arXiv上的新研究调查了皮肤病学AI模型的泛化差距，特别考察了性能不佳是由于肤色代表性不足还是疾病分布转移。研究人员在旨在分离这些因素的数据集上评估了包括ResNet-50、DermLIP、MONET和DINOv3在内的多个模型。研究结果表明，在测试场景中，疾病分布转移对性能下降的贡献比肤色代表性不足更显著。研究还强调，代表性质量可以预测通过轻量级适应实现的性能恢复，这表明即使每个类别的少量标记示例也能显著提高模型准确性。
-
交叉验证改进了医疗影像AI的超参数调优
一篇新的研究论文探讨了深度学习图像分类器的超参数优化（HPO），特别是在医疗影像领域，因为该领域数据集通常较小。研究比较了三种HPO协议：固定留出法、重排留出法和5折交叉验证。结果表明，交叉验证提供了更可靠的测试性能估计，尤其是在数据有限的情况下，尽管它需要更多的计算资源。对于像Tiny ImageNet这样的大型数据集，不同协议之间的差异可以忽略不计。
-
软注意力机制提升了深度神经网络中皮肤癌的分类能力
研究人员已经证明，将软注意力机制纳入深度神经网络架构可以显著提高其在皮肤病变分类方面的性能。通过使网络能够专注于关键图像特征并抑制噪声，这种方法在VGG、ResNet、InceptionResNetv2和DenseNet等各种既有模型上都带来了性能提升。具体而言，在HAM10000数据集上，改进后的模型实现了显著的精度提升；在ISIC-2017数据集上，则获得了更好的敏感度得分。
-
新型神经形态架构增强了边缘设备的皮肤病变分类能力
研究人员开发了QANA，一种新颖的量化感知神经形态架构，专为资源受限设备上的皮肤病变分类而设计。该架构通过约束中间激活并用与脉冲兼容的变换替换转换脆弱的组件，从而改进了从CNN到SNN的转换过程。QANA在HAM10000数据集上表现出色，达到了91.6%的Top-1准确率和91.0%的宏F1分数，并且在部署到BrainChip Akida神经形态处理器上时，在准确率、延迟和能耗方面也显示出显著的改进。
-
新的集成深度学习框架提高了皮肤病变分类的准确性
研究人员开发了一种新的深度学习框架，用于对医学图像中的皮肤病变进行分类。该框架结合了 Vision Transformer 模型 MaxViT-Tiny 和两个卷积神经网络模型 ConvNeXt-Tiny 和 EfficientNetV2-B0，并使用了深度集成学习。该系统集成了蒙特卡洛 Dropout 来估计预测不确定性，并使用 Grad-CAM++ 进行可视化解释，突出显示图像中对分类决策有贡献的区域。在 HAM10000 数据集…
-
新AI框架通过不确定性和可解释性增强皮肤病变分类
研究人员开发了一个新的皮肤病变分类框架，该框架结合了深度集成学习、不确定性量化和可解释性技术。该方法使用多种模型，包括视觉 Transformer 和 CNN，以提高准确性并识别不可靠的预测。该系统在 HAM10000 数据集上表现出色，准确率达到 96%，ROC-AUC 达到 99%，尤其是在基于不确定性过滤预测时。
-
EulerLoRA 通过随机性增强参数高效微调
研究人员开发了 EulerLoRA，这是参数高效微调的低秩适配 (LoRA) 技术的一种新颖扩展。与标准 LoRA 不同，EulerLoRA 引入随机性，通过对共享低秩适配器内的变异进行采样来生成多个预测轨迹。这种方法允许进行预测不确定性估计，并且在视觉 Transformer 任务上已证明与 LoRA-Ensemble 基线相比具有相当或更优的性能，同时显著减少了可训练参数的数量。
-
AI模型用于皮肤癌分类，通过鲁棒数据增强得到改进
研究人员探索了数据增强技术，以提高皮肤镜皮肤病变分类器在域偏移下的鲁棒性。他们的研究利用ConvNeXt-Large骨干网络和ISIC Archive与Derm7pt，发现复合策略，特别是涉及光度变换的策略，在域外泛化方面取得了最大的收益。研究结果表明，模仿真实世界域偏移的增强比仅最大化域内准确性更具影响力，但建议使用源不相交选择协议进行进一步验证。
-
新的PLCRD框架实现了无掩模皮肤病变分类
研究人员开发了一种新颖的框架，称为特权病变-上下文关系蒸馏（PLCRD），用于皮肤病变分类。该方法仅在训练阶段使用病变分割掩模，从而在临床环境中实现无掩模推理。PLCRD采用师生模型，其中教师从图像及其掩模中学习，并将诊断知识、注意力和关系信息传递给学生。该框架在HAM10000数据集上进行了评估，取得了0.773的宏F1分数，并在ISIC 2018数据集上进行了外部验证，宏F1得分为0.732。
-
FedProIn框架增强了医学影像的联邦学习
研究人员开发了FedProIn，一个旨在通过解决客户端漂移来改进医学影像联邦学习的新框架。该方法利用可学习的类别原型来捕获异构客户端之间共享的语义结构，从而缓解由扫描仪、采集协议和患者群体差异引起的问题。FedProIn引入了特征散度损失和原型对比损失来对抗客户端漂移，并采用归一化影响聚合策略来根据客户端原型对全局表示的贡献来对其进行自适应加权。在HAM10000和Matek-19数据集上的实验表明，FedProIn在IID和非IID…
-
新的基于图的模型增强了视觉解释的可解释性
研究人员开发了一种基于图的概念瓶颈模型（G-CBM），该模型增强了视觉解释中的可解释性。这个新框架使用非负矩阵分解执行无监督概念发现，并将这些概念表示为图中的节点。G-CBM 将区域级特征与这些概念节点匹配，从而实现概念接地并捕捉图像中的重复性。然后，图注意力网络对概念之间的依赖关系进行建模以进行推理。该模型在 ImageNet 和 HAM10000 等数据集上展示了改进的性能，在皮肤镜检查基准测试上取得了与监督方法相媲美的结果。
-
新的扩散模型提高了皮肤病变分割的准确性
研究人员开发了MLFFM-SegDiff，这是一种新颖的扩散模型，旨在改进皮肤镜图像中皮肤病变的分割。该模型通过引入双路径U-Net编码器和多级特征融合模块（MLFFM）来解决边界模糊和伪影等挑战。MLFFM通过注意力、尺度对齐和自适应融合增强特征交互，使模型能够更好地结合浅层边界细节和深层语义信息。在基准数据集上的实验表明，MLFFM-SegDiff在准确性和其他关键指标上均优于现有方法，Jaccard指数达到0.8546，Dice…
-
新的DuetFair机制提高了医学图像分割的公平性
研究人员推出DuetFair，这是一种旨在提高医学图像分割模型公平性的新机制。该框架通过同时优化子组间的适应性和子组内的鲁棒性来解决“组内隐藏故障”问题。提出的FairDRO方法结合了分布感知专家混合模型和子组条件分布鲁棒优化，在多个医学成像基准测试中展示了改进的性能，特别是在减少最差子组差异方面。
-
新的 HyCAS 防御弥合了认证鲁棒性和经验鲁棒性之间的差距
研究人员开发了一种名为混合卷积注意力随机性（HyCAS）的新型对抗防御技术。该方法旨在弥合深度学习模型中理论鲁棒性保证与实际抗攻击能力之间的差距。实验表明，HyCAS 在不负面影响干净准确率的情况下，提高了各种图像数据集上的认证和经验对抗鲁棒性。