MosMedData+
PulseAugur coverage of MosMedData+ — every cluster mentioning MosMedData+ across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的DD-CMD方法通过双域文本引导增强医学图像分割
研究人员开发了一种名为双域跨模态解码（DD-CMD）的新方法，通过整合临床文本引导来改进医学图像分割。该方法通过考虑空间对齐和频率内容来增强分割，这对于准确识别纹理和边界至关重要。DD-CMD结合了文本引导的空间交叉注意力（Text-Guided Spatial Cross-Attention）进行空间引导，以及频谱文本自适应调制（Spectral-Text Adaptive Modulation）进行频率感知解码，在QaTa-COV…
-
新的半监督方法通过跨模态对齐增强医学图像分割
研究人员开发了Semi-MedRef，一个新颖的用于医学参考图像分割的半监督学习框架。该方法通过有效利用未标记数据，解决了获取成对像素级标注和参考文本的高成本问题。Semi-MedRef 采用三个关键组件：用于对齐保持的跨模态增强的 T-PatchMix，用于位置感知文本增强的 PosAug，以及鼓励解剖学基础的跨模态表示学习的位置亲和力对比学习 (PACL)。在 QaTa-COV19 和 MosMedData+ 数据集上的实验表明，…
-
新框架利用文本引导的本地化增强医学图像分割
研究人员开发了一个名为 LoG 的新框架，用于文本引导的医学图像分割。与以往依赖隐式提取的方法不同，该方法显式地从文本报告中捕获面向本地化的语义。LoG 在三个层面整合了视觉语言语义：特征融合、注意力融合和损失融合，所有这些都由本地化任务引导。在不同医学成像模态的三个数据集上进行的实验表明，LoG 的性能持续优于现有的最先进方法，并取得了较高的 Dice 分数。
-
新的TIRNet框架通过语言引导增强医学图像分割
研究人员开发了一种新颖的框架，称为文本即照明Retinex网络（TIRNet），用于语言引导的医学图像分割。该方法使用文本嵌入作为语义照明来增强特征调制并提高语义一致性。TIRNet包含用于文本调制和细节补偿的专用模块，以及用于确保精确跨模态对齐的多尺度监督损失。在医学数据集上的实验表明，TIRNet达到了最先进的性能。