مقاله افزایش نویز تهاجمی مبتنی بر فیزیک با تضمین پوشش کالیبره شده
,

مقاله افزایش نویز تهاجمی مبتنی بر فیزیک با تضمین پوشش کالیبره شده

تومان249,950

تغییر رنگ‌آمیزی در بیمارستان‌های مختلف، عملکرد مدل‌های هیستوپاتولوژی را در زمان استقرار کاهش می‌دهد. روش‌های افزایش داده موجود، فضاهای رنگی را با پارامترهای دلخواه تغییر می‌دهند و فاقد بودجه اصولی و ت…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000075 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

افزایش نویز تهاجمی مبتنی بر فیزیک با تضمین پوشش کالیبره شده

Physics-Grounded Adversarial Stain Augmentation with Calibrated Coverage Guarantees

نویسندگان: Mingi Hong

شناسه منبع: arxiv / 2605.13889

دسته: Image and Video Processing,Computer Vision and Pattern Recognition,Machine Learning

چکیده (فارسی)

تغییر رنگ‌آمیزی در بیمارستان‌های مختلف، عملکرد مدل‌های هیستوپاتولوژی را در زمان استقرار کاهش می‌دهد. روش‌های افزایش داده موجود، فضاهای رنگی را با پارامترهای دلخواه تغییر می‌دهند و فاقد بودجه اصولی و تضمین پوشش برای مراکز مشاهده نشده هستند. ما روش **افزایش رنگ‌آمیزی تخاصمی کالیبره شده (CASA)** را معرفی می‌کنیم که افزایش تخاصمی را در فضای پارامتر رنگ‌آمیزی Macenko با بودجه‌ای که از طریق نامساوی DKW از آمارهای چند مرکزی کالیبره شده است، انجام می‌دهد. در مجموعه داده Camelyon17-WILDS (با ۵ بذر)، CASA به دقت ۹۳.۹٪ ± ۱.۶٪ در سطح اسلاید دست می‌یابد که از روش‌های HED-strong (۸۸.۴٪ ± ۷.۳٪)، RandStainNA (۸۵.۲٪ ± ۶.۷٪) و ERM (۶۳.۹٪ ± ۱۱.۳٪) بهتر عمل می‌کند و بالاترین دقت را در ضعیف‌ترین گروه (۸۴.۹٪ ± ۰.۹٪) در میان ۱۰ روش مقایسه‌شده به خود اختصاص می‌دهد.

Abstract (English)

Stain variation across hospitals degrades histopathology models at deployment. Existing augmentation methods perturb color spaces with arbitrary hyperparameters, lacking both a principled budget and coverage guarantees for unseen centers. We propose textbf{C}alibrated textbf{A}dversarial textbf{S}tain textbf{A}ugmentation (textbf{CASA}), which performs adversarial augmentation in the Macenko stain parameter space with a budget calibrated from multi-center statistics via the DKW inequality. On Camelyon17-WILDS (5 seeds), CASA achieves $93.9% pm 1.6%$ slide-level accuracy — outperforming HED-strong ($88.4% pm 7.3%$), RandStainNA ($85.2% pm 6.7%$), and ERM ($63.9% pm 11.3%$) — with the highest worst-group accuracy ($84.9% pm 0.9%$) among all 10 compared methods.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله افزایش نویز تهاجمی مبتنی بر فیزیک با تضمین پوشش کالیبره شده”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا