Medical imaging datasets
PulseAugur coverage of Medical imaging datasets — every cluster mentioning Medical imaging datasets across labs, papers, and developer communities, ranked by signal.
-
新的 XCal-FL 算法增强了差分隐私联邦学习的可解释性
研究人员开发了 XCal-FL，一种新颖的联邦学习算法，该算法动态校准差分隐私噪声以提高可解释性。该方法解决了标准差分隐私可能扭曲模型表示并降低解释保真度的问题，这对于临床诊断等应用至关重要。XCal-FL 在训练过程中使用三个信号——logit 变化、反事实边际和显着性集中度——来调整噪声，从而得到更准确、更易于理解的模型。实验表明，XCal-FL 在预测性能和解释保真度方面均显著优于现有方法，并且在隐私预算方面也更有效率。
-
新框架校准多评分者的医学图像分割
研究人员开发了一个基于注意力的原型校准框架，旨在改进少样本医学图像分割。该方法通过在原型空间中建模评分者特定的偏差来解决多位专家评分者标注变异性的常见问题。该框架利用一个轻量级注意力算子来优化评分者原型，而无需更改核心特征提取器，从而确保与现有分割技术的兼容性并保持语义一致性。
-
医学图像分类框架利用知识图谱改进诊断
研究人员开发了一个新的医学图像分类框架，该框架集成了多模态知识图谱和可靠性引导细化过程。该方法旨在通过利用历史相似病例和外部知识来模仿临床诊断，超越孤立的视觉证据。该系统从检索到的病例构建知识图谱，使用图注意力网络进行知识传播，并采用跨模态注意力进行对齐，最终根据病例可靠性细化预测。
-
新方法解决AI数据集中的噪声标签问题
研究人员开发了一种名为标准化损失聚合（SLA）的新方法，用于检测大型数据集中的噪声标签，特别是在医学影像领域。SLA通过分析交叉验证运行中的标准化损失来量化标签的可靠性，提供比简单的硬计数方法更连续、信息量更丰富的度量。实验表明，SLA在识别模糊或错误标记的样本方面更有效、更快，有助于提高分类任务的数据集质量。另一项研究强调了一个名为“不确定性崩溃”的问题，即在噪声标签上训练的模型可以达到高准确率，但无法可靠地区分分布外数据与错误…