ExiST 方法提升半监督多器官分割精度
热点事件持续更新
ExiST 方法提升半监督多器官分割精度
1 篇报道1 个报道来源14 小时前更新
先了解这件事
AI 综述
Maxx Richard Rahman 等人发布了存在感知自训练(ExiST)方法,旨在解决小器官在少标签扫描中被误判为缺失的问题。该研究通过留一法共识构建伪标签并引入质量门控机制,确保候选器官不被推向缺失状态。 在 Synapse 数据集上,该方法利用 20% 的标注数据达到了 77.1 的平均 Dice 系数;在 AMOS 数据集上,仅需 5% 的标注数据即取得 75.9 的成绩。ExiST 的表现优于当前的最先进方法。
AI 根据报道生成 · 13 小时前更新
最新进展11月19日 13:00
ExiST:存在感知自训练用于半监督多器官分割报道时间线
沿着报道,了解事件的不同侧面。
11月19日
- arXiv · 机器人与计算机视觉ExiST:存在感知自训练用于半监督多器官分割
ExiST 提出一种存在感知自训练方法,解决小器官在少标签扫描中被误判为缺失的问题。该方法通过留一法共识构建伪标签并引入质量门控,在 Synapse 数据集以 20% 标注数据达到 77.1 平均 Dice,AMOS 数据集以 5% 标注数据达 75.9。ExiST 优于当前最先进方法,确保候选器官不被推向缺失状态。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 1011月19日 14:00
- 近 24 小时变化
- –
02.557.510
14:0016:0018:0020:0022:0011月20日02:00
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。