Messidor-2
PulseAugur coverage of Messidor-2 — every cluster mentioning Messidor-2 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
基础模型在眼病检测方面未显示出优于CNNs的一致优势
一篇新研究论文评估了基础模型（FMs）从眼底图像检测糖尿病黄斑水肿（DME）的有效性。研究发现，虽然测试了RETFound和FLAIR等基础模型，但它们在传统微调的卷积神经网络（CNNs）方面并未始终表现更优。具体而言，在各种设置下，EfficientNetB0模型取得了具有竞争力或更优的性能，这表明在数据稀缺的环境中，轻量级CNNs可作为DME检测的有力基线。
-
新的PARAGraph框架改进了糖尿病视网膜病变分级
研究人员开发了一种名为PARAGraph的新框架，用于糖尿病视网膜病变（DR）的分级。这种基于分层图的方法以视盘-黄斑坐标系为锚点进行归一化，从而模拟图像中病变类型及其空间关系。该系统通过整合全局视觉上下文，采用双融合策略来增强对抗噪声病变分割的鲁棒性。在多个数据集上的实验表明，与现有的最先进方法相比，PARAGraph在DR分级方面取得了更优越且符合临床的性能。
-
新型深度学习模型可对糖尿病视网膜病变进行分级，但面临跨域挑战
研究人员开发了一个新颖的深度学习框架，用于对糖尿病视网膜病变（DR）进行分级，DR是可预防性失明的主要原因。该系统采用双分辨率方法，使用两个EfficientNet骨干网络，一个专注于血管结构，另一个专注于局灶性病变，并通过注意力门控进行组合。该模型在一个包含4,149张图像的组合数据集上进行训练，并在独立的数据集上进行评估，结果显示在不同成像域之间转移时，性能显著下降。虽然该模型对严重程度的排序在域转移后基本得以保留，但其精确的阈值…
-
OrthKD框架提取临床知识用于轻量级糖尿病视网膜病变筛查
研究人员开发了OrthKD，一个新颖的知识蒸馏框架，旨在从异构AI模型中提取通用临床知识，以实现轻量级部署用于糖尿病视网膜病变筛查。该方法选择性地从强弱教师模型中蒸馏信息，强制学生投影之间的正交性以鼓励互补学习。由此产生的轻量级MobileNetV3学生模型在大数据集上表现出更高的准确性和鲁棒性，优于先前的方法，并能够在资源受限的设备上实现实际的DR筛查。
-
视觉Transformer和混合模型在视网膜疾病筛查基准测试中领先
研究人员对包括卷积神经网络、视觉Transformer、混合模型和视觉语言模型在内的各种深度学习架构进行了多种疾病视网膜筛查的基准测试。该研究使用了视网膜眼底多病图像数据集（RFMiD），并评估了在二元筛查和多标签分类任务上的性能。基于注意力的模型，特别是SwinTiny和CoAtNet0、MaxViTTiny等混合架构，在二元和多标签设置中均表现出优越性能。视觉语言模型具有竞争力，但未能超越最佳的Transformer和混合骨干网络…