ISIC-2018
PulseAugur coverage of ISIC-2018 — every cluster mentioning ISIC-2018 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
研究发现 MedSAM 适应会损害分布外性能
一项新的研究论文探讨了如何为医学图像分割调整 MedSAM 等基础模型，可能会无意中损害其在分布外 (OOD) 数据上的性能。该研究在 ISIC 2018 数据集上测试了六种适应策略，包括完全微调和参数高效方法，如 LoRA 和视觉提示调优。研究人员发现，虽然适应可以提高在分布内和接近分布外数据上的性能，但它通常会降低在远离分布外数据上的性能，而完全微调提供了最佳的权衡。该论文认为，解码器表征漂移是导致 OOD 性能下降的关键因素，并…
-
新的U-Net变体提高了皮肤镜图像分割的边界精度
研究人员开发了EA-LiteUNet，这是一种新颖的U-Net变体，专为皮肤镜图像的精确分割而设计，特别关注边界精度。该架构结合了边界感知表示学习、注意力引导特征调制和资源自适应推理策略，以提高分割质量，同时保持计算效率。在ISIC-2018等数据集上的评估表明，EA-LiteUNet在0.29M参数的轻量级模型中实现了卓越的边界精度，Hausdorff距离低至12.89像素，Dice分数达到92.08%。
-
Tree-NET框架提升医学图像分割效率
研究人员开发了Tree-NET，一个旨在提高二维医学图像分割准确性和效率的新型框架。该方法利用双瓶颈监督，在分割过程的输入和输出阶段应用特征压缩。通过在降维特征上操作，Tree-NET显著降低了计算成本，将FLOPs减少高达13倍，并减少了内存使用，同时不影响分割性能。该框架已在包括皮肤病变和息肉分割在内的各种骨干模型和分割任务中证明了其有效性。
-
新的基于图的模型提高了皮肤病变诊断的准确性
研究人员开发了一种新颖的基于图的多元实例学习框架，该框架整合了隐式和显式关系偏差，以提高图像分类性能。该方法以EfficientNetB3基线开始，然后使用卷积掩码自动编码器学习图像块之间的隐式关系。通过将这些学习到的嵌入组织成各种图拓扑结构（例如，基于网格或k近邻结构）来引入显式关系建模。在皮肤病变诊断基准ISIC-2018和ISIC-2019上的实验表明，这种组合方法显著优于基线方法和仅隐式方法，其中基于网格的图注意力网络实现了最…
-
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。
-
新方法增强了皮肤病变医学图像分割
研究人员开发了PEFT-MedSAM，一种用于Medical Segment Anything Model (MedSAM) 的参数高效微调方法，以改进皮肤镜图像中皮肤病变的分割。该技术冻结了预训练的图像和提示编码器，仅训练轻量级的掩码解码器。在ISIC 2018数据集上的实验表明，PEFT-MedSAM实现了0.9411的Dice系数，优于完全训练的U-Net基线和零样本MedSAM推理。在PH2数据集上的进一步验证产生了0.946…
-
新的Chaos-SSL框架提升医学图像分类性能
研究人员推出Chaos-SSL，一个新颖的两阶段框架，旨在通过解决标准自监督学习方法的局限性来改进医学图像分类。该框架在预训练期间利用一维混沌映射作为复杂的增强手段，以生成更丰富的细粒度医学纹理表示。然后，一个基于注意力机制的融合模型将这些专业特征与通用模型产生的特征相结合，在皮肤病变和糖尿病视网膜病变数据集上取得了最先进的性能。
-
新的混沌自监督学习提高了医学图像分类的准确性
研究人员开发了一种名为混沌去噪自编码器（CDAE）的新型自监督学习策略，用于医学图像分类。与使用掩码的方法不同，CDAE 对图像应用混沌变换，要求自编码器重建原始图像，从而学习到鲁棒的、特定领域的特征。一种注意力融合机制将这些学习到的特征与标准特征相结合，在皮肤病变和糖尿病视网膜病变数据集上取得了高性能。
-
新方法通过有针对性的错误校正来改进事后AI模型安全性
研究人员开发了一种事后错误校正方法，以提高机器学习模型在关键应用中的安全性。该技术采用双分类器GBDT流水线来区分常规错误和高风险错误，显著减少了危险的误分类。该框架在皮肤病变诊断方面错误减少了34.1%，在prostate histopathology方面减少了12.57%，同时推理延迟开销极小。
-
RABC-Net 在无标注皮肤病变分割中实现高精度
研究人员开发了 RABC-Net，一种用于皮肤镜图像皮肤病变分割的新颖系统，该系统在训练时不需要像素级手动标注。该系统结合了可靠性学习和自适应边界校准，以提高低资源环境下的准确性。RABC-Net 在 ISIC-2017 和 ISIC-2018 等基准数据集上取得了强劲的性能，展示了高效的适应性和快速的推理速度。