ISIC2019
PulseAugur coverage of ISIC2019 — every cluster mentioning ISIC2019 across labs, papers, and developer communities, ranked by signal.
-
新方法揭示视觉模型中的空间捷径模式
研究人员开发了一种新方法，通过将每张图像的贡献图分组为重复的空间模式，来识别和表征视觉模型中的捷径学习。该方法利用 K-means 和非负矩阵分解，揭示了在各种数据集和模型架构（如 ResNet 和 ViT）中，捷径和任务贡献的共享和不同空间模式。发现的捷径组能够针对性地检查错误率较高的图像子集，而抑制捷径贡献的干预措施会显著降低模型性能，这表明结合抑制和放大方法可以减少性能差异。
-
MARVEL框架提升临床AI诊断的OOD检测能力
研究人员开发了MARVEL，一种用于改进临床AI诊断系统中分布外（OOD）检测的新方法。MARVEL通过在不平衡的医学数据集上进行训练，并在临床相关的OOD谱系上进行评估，来解决当前方法的局限性。该框架包括一个用于非线性边界的非线性von Mises-Fisher分类器、一个用于处理数据不平衡的多专家系统，以及一个用于区分内点和外点的异常值专家。在RFMiD、ISIC2019和NCTCRC数据集上的评估显示，与最先进的方法相比，误报率显著降低。
-
视觉模型噪声鲁棒性基准显示无单一赢家
一项关于冻结视觉基础模型噪声鲁棒性训练的新基准研究表明，在各种医学影像数据集和噪声条件下，没有一种方法能够始终优于其他方法。研究强调，方法的选择对性能有显著影响，尤其是在噪声严重性增加的情况下。研究结果表明，根据特定的噪声模式选择合适的方法比寻找普遍占优的算法更为关键。
-
扩散模型提升罕见病医学图像分类性能
研究人员开发了一种新的合成数据生成方法，以改进罕见病医学图像的分类。该方法使用扩散模型，特别是结合了图像修复扩散模型和分布外后选择机制，来创建多样化且逼真的医学图像。将其应用于ISIC2019皮肤病变数据集后，该技术显著提升了代表性不足类别的性能，在最稀有类别上的提升超过28%。