TL;DR
- چکیده:.
- تجزیه و تحلیل میکروکلسیفیکاسیون (MC) از نظر بالینی در غربالگری ماموگرافی مهم است زیرا نقطههای خوشهای میتواند نشانه.
- اولیه بدخیمیباشد،.
چه اتفاقی افتاد
چکیده:. تجزیه و تحلیل میکروکلسیفیکاسیون (MC) از نظر بالینی در غربالگری ماموگرافی مهم است زیرا نقطههای خوشهای میتواند نشانه.
اولیه بدخیمیباشد،. با این حال تقسیمبندی متراکم MC همچنان چالش برانگیز است:.
اهداف بسیار کوچک و پراکنده هستند،. ی متراکم در سطح پیکسل گران و مبهم هستند،.
و متنهای متقاطع در مکانهایی که اغلب تغییر میکنند مثبت هستند. بافت ما MC-GenRef را پیشنهاد میکنیم،.
یک چارچوب واقعی بدون برچسب متراکم که نظارت مصنوعی با وفاداری بالا را با پالایش خلفی مولد در. زمان آزمایش (TT-GPR) ترکیب میکند.
در طول تمرین،. از تکههای ماموگرافی منفی واقعی بهعنوان پسزمینه استفاده میشود،.
و الگوهای MC از نظر فیزیکی قابل قبول از طریق یک مدل شکلگیری تصویر سبک وزن با مدولاسیون. کنتراست موضعی و تاری تزریق میشوند،.
که جفتهای تصویر-ماسک دقیق را بدون حاشیهنویسی متراکم واقعی ایجاد میکند. MC-GenRef فقط با استفاده از این جفتهای برچسبگذاری شده مصنوعی،.
a را آموزش میدهد قطعهساز پایه و یک ژنراتور جریان اصلاح شده با شرط بذر (RF) که بهعنوان. یک پیش تولید قابل کنترل عمل میکند.
در طول استنتاج،. TT-GPR تقسیمبندی را بهعنوان استنتاج پسینی تقریبی در نظر میگیرد:.
یک دانه پراکنده از پیشبینی فعلی به دست میآورد،. پیشبینیهای RF سازگار با بذر را تشکیل میدهد،.
آنها را از طریق قطعهساز منجمد به اهداف جانشین مورد خاص تبدیل میکند،. و بهطور مکرر logits را با نرمافزارهای همپوشانی منظم و همپوشانی-همپوشانی اصلاح میکند.
در INbreast،. اولیهساز فقط مصنوعی بهترین Dice را بدون حاشیهنویسی متراکم واقعی به دست آورد،.
در حالی که TT-GPR عملکرد حساس نسبت به Recall و FNR را با رفتار متعادل کلاس قوی بهبود. بخشید (این http URL.،.
G-Mean). در یک گروه خصوصی خارجی Yonsei (n = 50)،.
TT-GPR بهطور مداوم اولیه ساز فقط مصنوعی را تحت تغییر مکان متقاطع بهبود میبخشد،. Dice و Recall را افزایش میدهد و در عین حال FNR را کاهش میدهد.
این نتایج نشان میدهد که پالایش خلفی مولد در زمان آزمایش یک مسیر عملی برای کاهش خطاهای. MC و بهبود استحکام بدون برچسبگذاری متراکم واقعی اضافی است.
پردازش تصویر و ویدئو (eess. IV)؛ هوش مصنوعی (cs.
AI) استناد بهعنوان: (یا v1 [eess. IV] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Hyunwoo Cho Ph.
D. [مشاهده ایمیل] [v1] دوشنبه، 6 آوریل 2026، 06: 41: 58 UTC (1,176 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.