ISIC2018
PulseAugur coverage of ISIC2018 — every cluster mentioning ISIC2018 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
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…
-
新框架将医学图像数据集需求映射到分割模型设计
研究人员引入了医学分割数据集知识卡（MS-DKC）框架，以更好地理解医学图像数据集对分割模型的具体要求。该框架明确记录了数据集的特征，如前景占用率、形态和标注质量。通过将这些因素映射到潜在的故障模式和设计先验，MS-DKC旨在使分割模型的设计过程更具可追溯性和数据集条件性。
-
新方法解决联邦遗忘中的灾难性遗忘问题
研究人员开发了一种名为基于图像特征融合的联邦客户端遗忘 (IFF-FCU) 的新方法，以解决联邦遗忘中的灾难性遗忘挑战。该技术使用一种受Mixup启发的线性图像特征融合机制，创建混合样本，有助于平衡删除特定知识与保留模型通用能力。在RSNA-ICH和ISIC2018等医学成像数据集上的实验表明，IFF-FCU在保持强大泛化能力的同时，实现了有竞争力的遗忘效果。
-
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。
-
深度神经网络将Fisher向量与CNN和ViT结合用于医学图像分类
研究人员开发了一种新颖的方法，通过将Fisher向量与混合CNN-ViT架构集成，来增强用于医学图像分类的深度神经网络。该方法旨在提高在不同大小数据集上的性能，解决了传统CNN和ViT的局限性。所提出的技术在多个医学成像数据集上进行了测试，包括MedMNIST (v2)、Clean-CC-CCII和ISIC2018，在MedMNIST上取得了优异的结果，在另外两个数据集上取得了有竞争力的性能。
-
研究人员开发用于医学图像分割和持续学习的新型人工智能方法
研究人员正在开发先进的医学图像分割技术，以应对域偏移和提示依赖等挑战。一种方法侧重于SAM2等模型的无提示、参数高效微调，在降低计算成本的同时显著提高了准确性。另一项研究对医学分割的持续学习方法进行了基准测试，评估了遗忘之外的性能，并突出了基于重放方法的优势。此外，一个名为MedFlowSeg的新框架利用流匹配技术在医学图像分割中进行高效灵活的生成建模，其性能优于现有的基于扩散的方法。