HAM10000
PulseAugur coverage of HAM10000 — every cluster mentioning HAM10000 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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。