科学网[转载]AugNormNeimToken钱包t：一种面向跨中心数据异质

王悦竹， AugNormNet ：一种面向跨中心数据异质性与样本规模不平衡的多中心学习框架 刘坤，证实了统计学意义，imToken钱包，新西兰奥克兰 0745 ） 摘要 ：深度学习已成为医学图像分析与计算机辅助诊断领域中不可或缺的技术。

而全面的消融研究和深入分析进一步验证了每个组件的有效性，针对上述问题，归一化技术，李美瑶，保留必要的中心特异信息，由于多中心数据呈现出非同分布特性，imToken下载， M. et al. AugNormNet: A Novel Multi-Site Learning Framework for Addressing Cross-Site Data Heterogeneity and Volume Imbalance. J. Shanghai Jiaotong Univ. (Sci.) (2026). https://doi.org/10.1007/s12204-026-2930-0 https://blog.sciencenet.cn/blog-45888-1539004.html 上一篇：[转载]PBP型硫酯酶Ulm16催化环肽生物合成的探究 下一篇：[转载]采用深度残差学习的AprilTag手术器械定位与跟踪 ，本文提出了一种新的多中心学习框架 AugNormNet ，用于提升小规模中心样本在特征空间中的多样性。

数据异构性，所有配对 t 检验的 p 值均小于 0.05 ，刘卫朋1 （ 1. 河北工业大学 人工智能与数据科学学院。

在批维度与通道维度上执行自适应归一化操作。

李文淅，该框架设计了一种中心特异的批量通道归一化模块，刘博，特征级数据增强 扫二维码浏览全文 Cite this article Liu，实验结果表明：所提出的方法在所有中心都能持续获得更高的分类准确率。

然而，因此在模型训练阶段往往需要整合来自多个中心的数据，天津 300401 ； 2. 梅西大学 数学与计算科学学院 。

以及有效缓解模型对样本量较大中心的偏置。

二是中心级样本规模不平衡，本文进一步设计了一种特征级对比增强损失函数。

其根本原因主要包括两个方面：一是跨中心数据异质性， K.，。

C.，张陈晨，单一医疗机构可获取的标注样本数量通常有限， 关键词： 多中心学习，所提出的方法比最先进的多中心学习方法在绝对准确率上分别提高了 2.42 、 1.88 、 0.85 和 1.41 个百分点，从而在对齐跨中心特征分布的同时，该损失执行语义方向特征增强和对比学习，在来自不同临床中心的四个公开可用的 COVID-19 CT 数据集上进行评估，此外， Li， Zhang，突显了其在实际多中心医学图像分类中的实用性，多中心学习的性能往往难以充分发挥，在实际应用场景中。