mammography
PulseAugur coverage of mammography — every cluster mentioning mammography across labs, papers, and developer communities, ranked by signal.
-
基石模型在乳腺X线摄影中对域偏移的鲁棒性表现各异
一项新的研究论文评估了基石模型应用于乳腺X线摄影时的鲁棒性，特别是在域偏移条件下。该研究使用标准化协议测试了15种不同的基石模型骨干网络在各种数据集上的表现，评估了它们在乳腺密度、BI-RADS严重程度和癌症状态方面的性能。虽然像Mammo-FM和MaMA这样的乳腺X线摄影专用模型在分布外表现强劲，但它们的鲁棒性并非完全依赖于乳腺X线摄影的暴露。该研究强调了数据集级别评估在评估乳腺X线摄影表示方面的重要性，并指出即使是领先的模型在不同…
-
新的AEGIS架构利用Vision Transformer增强乳腺摄影分析
研究人员开发了AEGIS，一种新颖的用于乳腺摄影的联合嵌入预测架构，它利用了Vision Transformer的变体。AEGIS在一个来自多个临床站点的庞大数据集上进行了训练，在检测乳腺癌和评估乳腺密度方面表现出色。该架构在跨人群可转移性方面也显示出潜力，VinDr-Mammo数据集上的表现证明了这一点。
-
新的OTCHA模块改进了多视图医学图像分类
研究人员开发了OTCHA，一种用于多视图医学图像分类的新模块，它使用最优传输来对齐潜在中心令牌。该方法在融合前精炼补丁令牌，解决了未配准图像和可能掩盖诊断发现的无关背景线索的问题。OTCHA结合了置信感知匹配和新颖的对齐损失，以提高跨不同解剖结构和视图配置的鲁棒性，并在多个医学图像数据集上显示出一致的改进。
-
新的反事实压力测试改进了医疗AI的鲁棒性评估
研究人员开发了一种新的压力测试图像分类模型的方法，特别是在医学成像领域，以解决因分布变化引起的问题。这个反事实压力测试框架使用因果生成模型，通过改变扫描仪类型或患者性别等属性，同时保持解剖结构的完整性，来创建现实的“假设”场景。在胸部X光片和乳房X光片数据上的实验表明，与传统的扰动方法相比，这种方法能更准确地评估分布外性能，为AI系统部署前提供更可靠的评估。