هوش مصنوعی
روش GENIQ ضایعات پوستی را بدون ماسک‌های برچسب‌خورده بخش‌بندی می‌کند
پژوهشگران می‌گویند استفاده از تصویرهای تولیدشده برای ساخت نمونه‌های اولیهٔ پوست سالم و ضایعه، از اتکا به توجه واژه‌ای مدل‌های تصویرساز دقیق‌تر است.
![Figure 1 : GENIQ: task, query construction, and thresholding. (a) Given a dermoscopy image, a text-named target, frozen FLUX [ 13 , 14 ] , and unlabelled images, GENIQ predicts a lesion mask without training, annotations](https://arxiv.org/html/2611.07061/2611.07061v1/fig_whatwhy.png)
روش بدون‌آموزش GENIQ با کمک یک مدل diffusion transformer متن‌به‌تصویر، ضایعات پوستی را در تصاویر درموسکوپی بخش‌بندی می‌کند؛ آن هم بدون ماسک‌های برچسب‌خورده، نشانه‌گذاری هنگام اجرا یا مدل اضافی. مسئله این است که توجه مدل به واژه‌های مربوط به پوست و ضایعه در این تصاویر قابل‌اتکا نیست: جهت حاصل از واژه‌ها در فضای خروجی توجه، با جهت تمایز پوست واقعی از ضایعه هم‌راستایی ضعیفی دارد.
GENIQ به‌جای آن، از تصویرهای تولیدشدهٔ پوست سالم و ضایعه نمونه‌های اولیه می‌سازد و آن‌ها را با انتخاب وصله‌های شبیه‌تر به پوست یا ضایعه از تصاویر درموسکوپیِ بدون برچسب اصلاح می‌کند. سپس وصله‌های تصویر آزمون را بر پایهٔ جهت به‌دست‌آمده امتیاز می‌دهد و با آستانه‌گذاریِ دروازه‌دار، سرایت تشخیص به بافت اطراف ضایعات کوچک را کاهش می‌دهد.
بر اساس چکیدهٔ پیش‌چاپ، GENIQ در سه مجموعه‌آزمون درموسکوپی امتیاز Dice بین ۰٫۸۵ تا ۰٫۸۸ کسب کرده و در هر سه مجموعه از روش‌های صفرنمونه و توجه مبتنی بر واژه بهتر بوده است. همچنین در دو مجموعه، از یک خط لولهٔ درموسکوپیِ طراحی‌شده با قواعد دستی در معیارهای Dice و IoU پیشی گرفته است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده