極めて少ない投影数でも高品質な CBCT 再構成を実現する幾何学的に意識したアテニュエーション学習
提案手法は、2D CNN エンコーダを用いて多視点 X 線投影から特徴を抽出し、CBCT スキャンの幾何学的関係を利用して 3D 特徴マップを構築する。これにより、極めて少ない投影数でも高品質な CBCT 画像を効率的に再構成できる。
冠動脈CTと血管内画像の形態学に基づく非剛体登録による仮想カテーテルパス最適化
冠動脈CTと血管内画像の形態学的特徴を利用して、仮想カテーテルパスを最適化することで、両モダリティの非剛体登録を実現する。
3DSAM-adapter: 2Dから3Dへの包括的なSAMの適応による腫瘍の即時セグメンテーション
2D自然画像向けに設計されたSAMを、3D医用画像の腫瘍セグメンテーションに効率的に適応する新しい手法を提案する。
非理想測定CTの普遍的な画質向上のための画像基盤モデル
非理想測定CTの画質を大規模な物理駆動シミュレーションデータセットを用いて事前学習した画像基盤モデルTAMPが、様々な非理想設定と体領域にわたって直接的に向上させることができる。さらに、少量のデータでの適応学習により、特定の非理想設定や体領域に対して高性能な画質向上を実現する。
OCT画像の層分割のための数式駆動型データ拡張と部分的な網膜層コピー
OCT画像の網膜層分割において、網膜の曲がりや構造変化に対応するため、数式駆動型データ拡張(FDDA)と部分的な網膜層コピー(PRLC)を提案した。これらの手法を用いることで、網膜の平坦化を必要としない網膜層分割手法の精度を向上させることができる。
3D多パラメータ定量的MRIのためのゼロショット学習を可能にする座標ベースのニューラル表現
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。
乳がん組織画像の解釈可能な多モーダルフレームワーク SHAP-CAT: 仮想染色とシャープリー値ベースの多モーダル融合による WSI 分類の向上
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。
病理画像診断のための統計的アプローチ: がんの特徴量を定量化する
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。
クロスドメイン少量学習医用画像セグメンテーションのための堅牢なEMDマッチング
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。
医用画像分類と回帰のための拡散オートエンコーダを用いた因果的説明
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。
© 2024 by Linnk AI