대형 의료 모델의 높은 매개변수 수로 인한 메모리 및 추론 지연 문제를 해결하기 위해 효율적인 미세 조정 프레임워크(EFCM)를 제안한다. EFCM은 비지도 특징 증류와 미세 조정의 두 단계로 구성되며, 특징 투영 증류(FPD) 방법과 TransScan 모듈을 통해 학생 모델의 지식 흡수 능력을 향상시킨다.
기회주의적 CT 영상 분석을 통해 근감소증, 지방간, 복수와 같은 임상적으로 중요한 상태를 정확하게 진단할 수 있으며, 이는 전자 건강 기록의 정확성 향상과 정밀 의료 연구에 기여할 수 있다.
DINOv2는 다양한 의료 영상 분석 작업에서 우수한 성능을 보이며, 기존 감독 학습 및 약한 감독 학습 모델을 능가한다.
본 연구는 3D 내부혈관 OCT 영상에서 섬유죽종 플라크 캡의 각도 범위를 정확하게 검출하는 새로운 딥러닝 기반 접근법인 FiAt-Net을 제안한다.
본 연구는 다중 관점 증거 학습 기반의 MERIT 모델을 제안하여 간 섬유화 단계 예측의 신뢰성과 해석 가능성을 향상시켰다.
뼈 전이 분석을 위한 인공지능 기술은 의료 영상 분석에서 유망한 성과를 보이고 있으며, 의사의 효율성 향상과 시간 및 비용 제한 극복에 큰 잠재력을 가지고 있다.
사후 처리 메커니즘을 통해 LIME 라이브러리와 LIME 이미지 설명자가 생성한 설명을 개선하여 의료 진단에서 더 강력하고 구체적인 결과를 제공한다.
장기 유방 촬영 데이터를 활용하여 향후 유방암 발병 위험을 정확하게 예측할 수 있다.
의료 영상 분석에서 딥러닝 기반 모델은 훈련 데이터와 다른 분포의 입력 데이터를 정확하게 식별할 수 있어야 한다. 이를 위해 다양한 분포 외 데이터 탐지 기법이 개발되었다.
본 연구는 최적 수송(OT) 개념을 자기 지도 학습(SSL) 프레임워크에 통합하여 의료 영상 표현 학습에서 밀집 의미 불변성을 달성하는 OPTiML이라는 새로운 솔루션을 제안한다. OPTiML은 교차 관점 의미 주입 모듈(CV-SIM)을 통해 다양한 관점에서 미세한 세부 사항을 포착하고, 분산 및 공분산 정규화를 통해 정보적이고 중복되지 않은 표현을 생성한다.