提案手法SummitはMRI信号の高次元テンソルを低サンプリングしてエンコードし、ニューラル表現を用いた物理モデルに基づく最適化により、外部データを必要とせずに共登録された T1、T2、T2*、QSMマップを再構成する。
SHAP-CAT は、H&E、IHC、および仮想染色された画像の3つのモダリティを統合し、シャープリー値ベースの次元削減手法を用いて解釈可能な多モーダル分類を実現する。
本論文では、病理画像におけるがん領域を統計的に推定する新しい手法を提案する。この手法は、情報理論に基づいて画像特徴量の分類情報を導入し、その空間分布を計算することで、がん領域を特定する。
提案するRobustEMDモデルは、サポート特徴量とクエリ特徴量の間のEMDベースのマッチングメカニズムを設計することで、ドメイン間の差異に頑健な特徴表現を学習する。
拡散オートエンコーダの潜在空間を直接操作することで、医用画像分類と回帰タスクの解釈可能性を高める新しい手法を提案する。
提案したCSRDモデルは、3D PET画像のデノイジングを効率的に行い、解剖学的整合性を維持することができる。
組織病理学画像の多様モダリティ(MxIF、H&E)を細胞レベルで整列させることで、細胞特徴の相互検証や仮想H&E画像の生成などの統合的解析を可能にする。
BioFace3Dは、MRI画像から3D顔面モデルを自動抽出し、幾何学的形態計測手法を用いて顔面バイオマーカーを自動的に算出するパイプラインである。
放射線学的特徴量と放射線科医の視線パターンを組み合わせて、臨床的に正確な医用画像を生成する。
従来の最適化手法と深層学習手法は医用画像登録の2つの主要なパラダイムである。最適化手法は一般性と堅牢性に優れるが、深層学習手法は最高の性能を発揮し、弱教師付き学習や償却最適化を取り入れることができる。しかし、どちらのパラダイムがどのような条件で優れるかは明確ではない。本論文では、ピクセル単位の強度と ラベルの相互情報量と古典的な登録手法の性能の強い相関を示す。この相関は、深層学習手法のアーキテクチャ設計では変わらないことを示唆する。一方、弱教師付き学習を用いた深層学習手法は強度とラベルの高精度な登録を実現できるが、ドメインシフトに対して脆弱である。最後に、これらの観察結果に基づき、特定の登録問題に最適なパラダイムを選択する一般的な方法を提案する。