PulseAugur
中
实时 20:04:37
实体 NIH ChestX-ray14

NIH ChestX-ray14

PulseAugur coverage of NIH ChestX-ray14 — every cluster mentioning NIH ChestX-ray14 across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
6
90 天内 8
发布 · 30天
0
90 天内 0
论文 · 30天
6
90 天内 8
层级分布 · 90 天
主题
情绪 · 30 天

3 天有情绪数据

最近 · 第 1/1 页 · 共 8 条
  1. TOOL · CL_360478 ·

    研究发现:JEPA模型在医学影像中表现出易受攻击性

    一篇题为“嵌入中的裂痕”(Cracks in Embeddings)的新研究论文,调查了联合嵌入预测架构(JEPA)模型应用于医学影像(特别是胸部X射线)时的鲁棒性和稳定性。研究发现,这些在NIH ChestX-ray14图像大型数据集上训练的模型,容易受到对抗性攻击和图像损坏的严重损害,导致嵌入一致性和分类准确性下降。研究还探讨了两种提高鲁棒性的方法:对抗性微调,事实证明有效;以及向量量化码本方法,该方法在失真下表现出性能下降。

  2. TOOL · CL_352451 ·

    胸部X光AI:基础模型优于CNN-Transformer集成

    一项新的研究论文调查了将CNN和Vision Transformer结合用于胸部X光分类的有效性。研究发现,ImageNet预训练模型的集成性能不如在胸部放射线照片上预训练的单一基础模型EVA-X-S。这种集成方法还需要更多的计算资源和参数,这表明专门的基础模型在该任务上可能更有效率和更有效。

  3. TOOL · CL_358365 ·

    胸部X光分类:基础模型优于CNN-Transformer集成模型

    一项研究调查了结合ImageNet预训练的卷积神经网络(CNN)和视觉Transformer(ViT)用于胸部X光分类,与专门的胸部X光基础模型相比的有效性。研究发现,虽然ImageNet模型的集成很常见,但单个基础模型EVA-X-S取得了更高的AUROC分数0.828。包含EVA-X-S或仅由ImageNet模型组成的集成模型表现更差,并且带来了显著更高的计算成本。研究结果表明,对于这项特定任务,经过微调的基础模型优于传统的集成模型。

  4. TOOL · CL_315381 ·

    新方法利用蒸馏证据改进胸部X光片疾病定位

    研究人员开发了APED-CXR,一种用于改进胸部X光片疾病定位的新方法。该方法将多模态教师模型的空间证据蒸馏到一个较小的、仅图像的学生模型中。通过在训练过程中允许教师模型评估和完善学生提出的疾病位置,APED-CXR显著提高了框级定位精度,同时保持了诊断性能。

  5. TOOL · CL_303470 ·

    Vision Transformer 模型在医学影像中表现出注释偏差

    研究人员发现用于医学影像分析的 Vision Transformers (ViTs) 中存在显著偏差。在胸部 X 光片(尤其是在 COVID-19 病例中)中,一个特定的注意力头 L8H10(在 ViT-Base 16 中)被发现会关注角落的文本注释,而不是实际的医学病理。这种行为在多种 ViT 架构和数据集上都表现一致,令人惊讶的是,完全微调并未纠正此问题,反而可能加剧了它。输出层面的评估未能检测到这种偏差,凸显了进行机械审计以识别…

  6. TOOL · CL_287053 ·

    新方法量化黑盒视觉模型的不确定性

    研究人员开发了SpatialUQ,一种用于黑盒视觉模型的新型事后不确定性量化方法,尤其是在临床环境中。该方法通过测量全局预测与固定空间裁剪预测之间的差异来衡量不确定性,假设可信的预测在空间上是一致的。在NIH ChestX-ray14数据集上,SpatialUQ在检测故障和校准方面表现优于MC Dropout,同时计算量显著减少。该技术在识别弥漫性病变方面显示出潜力,但对于小的局灶性病变可能不太可靠。

  7. TOOL · CL_121637 ·

    新的GRAPE架构通过图增强解释提升医学影像诊断能力

    研究人员开发了GRAPE(图增强原型解释)架构,这是一种旨在改进医学影像诊断系统的新型架构。GRAPE通过模拟解剖概念的共现、实施冲突发现的安全检查以及在无需完全重新训练的情况下添加新发现,解决了现有基于原型的分类器的局限性。该方法在TBX11K和NIH ChestX-ray14等基准数据集上显示出准确性和效率的显著提高。

  8. RESEARCH · CL_99567 ·

    新方法将机器学习模型交互分解为独特性、冗余性和协同性

    研究人员开发了一种名为 Stochastic Hi-Fi 的新方法,以更好地理解机器学习模型内的交互。该技术将特征重要性分解为独特性、冗余性和协同性,解决了现有标量交互分数的局限性。Stochastic Hi-Fi 在恢复基线方法所遗漏的复杂结构方面显示出潜力,并已应用于分析 GPT-2 IOI 电路和医学成像数据集。