サインイン
インサイト - Medizinische Bildsegmentierung
Durchschnittlicher Kalibrierungsfehler: Ein differenzierbarer Verlust für zuverlässige Segmentierung
Die Einführung der marginalen L1-Durchschnittskalibrierung (mL1-ACE) als Hilfsverlustfunktion verbessert die Kalibrierungsgenauigkeit in der medizinischen Bildsegmentierung.
Federated Foundation Models for Medical Image Segmentation: FedFMS Exploration
Federated Foundation Models (FedFMS) ermöglichen effiziente medizinische Bildsegmentierung und Training.
APPLE: Adversarial Privacy-aware Perturbations on Latent Embedding for Fairness in Medical Image Segmentation
Verbesserung der Fairness in der medizinischen Bildsegmentierung durch die Einführung von Störungen in latenten Einbettungen.
Swin-UMamba: Mamba-based UNet with ImageNet-based Pretraining
Die ImageNet-basierte Vorbereitung verbessert die Leistung von Mamba-basierten Modellen für die medizinische Bildsegmentierung signifikant.
