Idrid
PulseAugur coverage of Idrid — every cluster mentioning Idrid across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
MedCORE框架通过临床推理增强医学影像诊断
研究人员开发了MedCORE，一个用于医学影像诊断的新型框架，该框架将临床推理整合到视觉语言架构中。MedCORE将诊断过程分解为不同的临床标准，识别相关图像区域中的这些标准，并使用多尺度表示来编码证据。该系统使用图注意力网络来优化这些表示，以模拟标准间的依赖关系，并将其与临床文本描述符对齐。在皮肤镜、乳腺超声和糖尿病视网膜病变数据集上进行测试，MedCORE在准确性和F1分数方面优于现有的深度学习模型。
-
基础模型在眼病检测方面未显示出优于CNNs的一致优势
一篇新研究论文评估了基础模型（FMs）从眼底图像检测糖尿病黄斑水肿（DME）的有效性。研究发现，虽然测试了RETFound和FLAIR等基础模型，但它们在传统微调的卷积神经网络（CNNs）方面并未始终表现更优。具体而言，在各种设置下，EfficientNetB0模型取得了具有竞争力或更优的性能，这表明在数据稀缺的环境中，轻量级CNNs可作为DME检测的有力基线。
-
PRISM-DR 流程使用专家模型检测糖尿病视网膜病变
研究人员开发了 PRISM-DR，一种检测糖尿病视网膜病变的新型流程。与以往使用单一多类别模型的方法不同，PRISM-DR 为四种非增殖性 DR 病变（微动脉瘤、出血、硬性渗出物和软性渗出物）中的每一种都采用了专门的单类别检测器。这种方法旨在通过针对每种病变类型的独特特征定制模型来提高准确性。该系统在 IDRiD 数据集上取得了 0.527 的测试 mAP50 和 0.529 的 F1 分数，证明了其作为统一检测模型的实用替代方案。
-
ConvNeXt-FD模型增强了生物医学图像分割能力
研究人员开发了ConvNeXt-FD，一种用于分割生物医学图像的新型深度学习模型。该模型采用了类似U-Net的结构，并以ConvNeXt为骨干，同时引入了一种包含基于分形维度的边界感知正则化项的新型损失函数。在六个不同数据集上的实验表明，ConvNeXt-FD（尤其是在ImageNet上预训练后）在准确性和边界检测方面优于现有方法。