ISIC 2019
PulseAugur coverage of ISIC 2019 — every cluster mentioning ISIC 2019 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的MedTokenBudget框架在皮肤镜图像分类中优先考虑病变区域
研究人员开发了MedTokenBudget，一种用于皮肤镜图像分类的新型框架，该框架优先考虑病变区域。这个监督式的、骨干网络之后的token路由系统通过关注富含病变的斑块来学习创建紧凑的表示，尤其是在有辅助病变掩码可用时。MedTokenBudget中的病变感知token评分（LATS）模块融合了注意力熵、特征范数和局部特征对比度，以在指定的预算下识别和路由最具诊断相关性的斑块。在ISIC 2019数据集上的评估表明，在保留病变证据并…
-
新研究探讨联邦学习在隐私、效率和鲁棒性方面的进展 · 跟踪9个来源
多篇发表在arXiv上的研究论文探讨了联邦学习的进展，重点在于提高其效率、隐私性和鲁棒性。其中一篇论文分析了顺序联邦学习在异构数据上的收敛性，并提出其性能优于并行方法。另一篇论文介绍了一种使用紧凑型适配和可变长度高斯通信的隐私对齐个性化联邦学习方法。进一步的研究提出了一个联邦随机游走平均框架，以减轻无线网络中的数据异构性和传输错误，并提出了一个名为FedLTLib的基准，用于标准化联邦长尾学习的评估。
-
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。
-
新的基准CRS-Bench评估医学图像编码器的可靠性
研究人员开发了CRS-Bench，一个旨在评估医学图像编码器可靠性的新基准。与之前仅关注判别能力的旧方法不同，CRS-Bench从判别能力、校准能力、标签效率和鲁棒性四个维度评估编码器。该基准使用了来自皮肤病学、眼科学和放射学的数据集，包括一个CheXpert-to-MIMIC-CXR的迁移，以模拟机构变化。引入了临床可靠性得分（CRS）作为结合这些维度的复合指标，比传统的AUROC分数提供了更全面的医学图像编码器选择方法。
-
新AI框架改进了跨肤色的皮肤病分类
研究人员开发了一个名为MIFR（模态不变且公平的表示）的新框架，以改进皮肤病的分类。该框架解决了当前AI诊断工具的两个主要局限性：它们依赖单一数据模态以及在不同肤色之间存在的性能差异。MIFR整合了临床照片和皮肤镜图像，将它们投影到一个共享的嵌入空间中。该模型使用多目标损失函数进行训练，该函数包括分类准确性、跨肤色的公平性、类别对齐和模态不变性。
-
新AI框架提高皮肤病分类的公平性和准确性
研究人员开发了一个名为MIFR（模态不变且公平的表示）的新框架，以提高用于皮肤病分类的AI模型的准确性和公平性。该框架解决了两个关键限制：依赖单一数据模态和不同肤色之间的性能差异。通过整合临床照片和皮肤镜图像，MIFR旨在创建一个更强大、更公平的诊断工具。
-
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…
-
增强型ResNet-50结合ASFF提高了皮肤病变分类的准确性
研究人员开发了一种增强型ResNet-50模型，集成了自适应空间特征融合（ASFF），以提高皮肤病变分类的准确性。该模型自适应地整合多尺度特征，专注于与病变相关的区域，以减少过拟合并增强表示。在ISIC 2020数据集上测试，基于ASFF的ResNet-50达到了93.182%的准确率，优于基线模型，并在ISIC 2019数据集上展现出强大的泛化能力。
-
Spectral Surgery 方法在事后重新平衡深度网络准确性
研究人员开发了一种名为 Spectral Surgery 的新事后优化方法，以提高深度网络的分类性能。该技术直接沿着 Hessian 谱中识别出的特定“尖峰特征向量”扰动模型权重。通过这样做，它旨在无需重新训练即可重新平衡每个类别的准确性，并在 CIFAR-10 和 ISIC-2019 等数据集上显示出有希望的结果。