SIPaKMeD
PulseAugur coverage of SIPaKMeD — every cluster mentioning SIPaKMeD across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
对比度增强提升了CNN宫颈癌分类的准确性
一篇新发表在arXiv上的研究论文探讨了使用深度学习模型改进宫颈癌分类的图像预处理技术的有效性。该研究评估了两种方法：用于降噪的PMD滤波器和用于对比度增强的CLAHE，应用于三种CNN架构：ResNet-34、MobileNet-V2和DenseNet-121。结果表明，CLAHE显著提高了ResNet-34和DenseNet-121的分类准确性，而PMD滤波器仅显示出有限的改进，并略微降低了MobileNet-V2的性能，这表明对…
-
新框架提升AI在宫颈细胞学分类中的可靠性
研究人员开发了一个名为混合K集成选择的新框架，以提高使用深度学习模型进行宫颈细胞学分类的可靠性。该框架侧重于增强校准置信度和不确定性估计，这对于临床应用至关重要。研究在SIPaKMeD数据集上评估了九种深度学习架构，最终形成了包含Swin-Tiny和TinyViT-5M模型的混合2集成。与最佳的单个模型相比，该集成在降低AURC、NLL和WC-ECE等指标方面表现出显著的改进，并在各种加权场景下显示出鲁棒性。
-
新AI框架提高宫颈癌筛查准确性
研究人员开发了一个新的框架，用于对宫颈细胞学图像进行分类，以辅助自动化宫颈癌筛查。该方法结合了几何感知高斯先验和轴向注意力模块，它们可以学习细胞模式内的结构规律性和长距离依赖性。在两个数据集上的实验证明了高准确性，所提出的方法在Mendeley数据集上达到了99.48%，在SIPaKMeD数据集上达到了96.08%，表明其作为决策支持工具的潜力。