ISIC-2018
PulseAugur coverage of ISIC-2018 — every cluster mentioning ISIC-2018 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
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。