VinDr-Mammo
PulseAugur coverage of VinDr-Mammo — every cluster mentioning VinDr-Mammo across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
MammoSeek代理通过选择性缩放来模仿放射科医生生成乳腺钼靶检查报告
研究人员开发了MammoSeek，这是一种新颖的乳腺钼靶检查代理，旨在模仿放射科医生的诊断过程。与以固定分辨率查看图像的现有MLLM不同，MammoSeek采用选择性缩放策略，以全分辨率关注可疑区域。这种方法显著提高了乳腺钼靶检查任务的性能，在内部和外部数据集上均实现了比其他MLLM、代理和CNN分类器更高的AUC。该代理还以最小的成本展示了卓越的定位和结构化报告生成能力。
-
扩散修复生成健康乳腺钼靶图像以提高癌症检测准确性
研究人员开发了一种新颖的反事实数据增强技术，利用扩散修复来改进计算机辅助诊断（CAD）系统的乳腺钼靶分类。该方法通过从异常图像中移除病灶来生成逼真的健康乳腺钼靶图像，从而增强训练数据的分布。生成的健康反事实图像保留了患者特异性解剖结构，并被放射科医生认为逼真。在VinDr-Mammo数据集上的实验表明，包括ConvNeXt、ViT、Mammo-CLIP和FPN-MIL在内的各种分类器架构的灵敏度均有所提高，有助于提高CAD系统的可靠性。
-
LoRSA框架增强生物医学视觉模型泛化能力
研究人员开发了LoRSA，一种新颖的参数高效微调框架，旨在提高视觉基础模型在生物医学任务中的泛化能力。该方法联合学习一个用于全局任务适应的密集低秩分量和一个用于局部残差校正的动态结构化稀疏低秩分量。在DINOv3-Base用于乳腺密度分类的实验中，LoRSA在外部域泛化方面表现优越，在未见过的数据集上优于竞争方法。
-
新AI方法改进乳腺X线摄影病变分类
研究人员开发了一种新的区域接地视觉语言学习方法，用于对乳腺X线摄影病变进行分类。该方法将病变特定特征与临床描述符对齐，并结合辅助病变检测头，以提高空间敏感性和定位感知恶性肿瘤分类。在CBIS-DDSM和VinDr-Mammo数据集上的实验表明，在各种学习设置下，其性能优于现有方法。
-
新框架通过双视角乳腺X线摄影融合增强乳腺癌分类
研究人员开发了一种新颖的以Token为中心的框架，通过有效融合头尾（CC）和内侧斜位（MLO）视图的信息来改进乳腺X线摄影图像的乳腺癌分类。该方法利用冻结的视觉Transformer骨干网络，并将视图间交互重新构建为结构化的Token级通信，专用的融合Token促进了跨多个Transformer深度的双向信息交换。在VinDr-Mammo数据集上的实验显示，与现有的融合基线相比，BI-RADS评估的二元分类AUC提高了0.10，取得了显著的改进。
-
新的AEGIS架构利用Vision Transformer增强乳腺摄影分析
研究人员开发了AEGIS，一种新颖的用于乳腺摄影的联合嵌入预测架构，它利用了Vision Transformer的变体。AEGIS在一个来自多个临床站点的庞大数据集上进行了训练，在检测乳腺癌和评估乳腺密度方面表现出色。该架构在跨人群可转移性方面也显示出潜力，VinDr-Mammo数据集上的表现证明了这一点。
-
新AI框架MammoRG改进乳腺钼靶报告生成
研究人员开发了MammoRG，一个用于生成乳腺钼靶报告的新框架，该框架整合了先前的临床知识并模拟了诊断工作流程。与以往仅关注视觉到文本映射的方法不同，MammoRG采用了两阶段训练过程和面向术语的微调，以提高临床一致性。该系统还包括用于解析和评估生成报告的MammoRGTool，在多个临床疗效指标上表现优越。