
Die Einführung der marginalen L1-Durchschnittskalibrierung (mL1-ACE) als Hilfsverlustfunktion verbessert die Kalibrierungsgenauigkeit in der medizinischen Bildsegmentierung.


coremsg

durchschnittlicher-kalibrierungsfehler-ein-differenzierbarer-verlust-für-zuverlässige-segmentierung


Durchschnittlicher Kalibrierungsfehler: Ein differenzierbarer Verlust für zuverlässige Segmentierung


title_rewrite


Federated Foundation Models (FedFMS) ermöglichen effiziente medizinische Bildsegmentierung und Training.


federated-foundation-models-for-medical-image-segmentation-fedfms-exploration


Federated Foundation Models for Medical Image Segmentation: FedFMS Exploration



Verbesserung der Fairness in der medizinischen Bildsegmentierung durch die Einführung von Störungen in latenten Einbettungen.


apple-adversarial-privacy-aware-perturbations-on-latent-embedding-for-fairness-in-medical-image-segmentation


APPLE: Adversarial Privacy-aware Perturbations on Latent Embedding for Fairness in Medical Image Segmentation



Die ImageNet-basierte Vorbereitung verbessert die Leistung von Mamba-basierten Modellen für die medizinische Bildsegmentierung signifikant.


swin-umamba-mamba-based-unet-with-imagenet-based-pretraining


Swin-UMamba: Mamba-based UNet with ImageNet-based Pretraining
