医用画像セグメンテーション

Kirjaudu sisään

näkemys - 医用画像セグメンテーション

MISTは、標準化されたツールとパイプラインを提供することで、深層学習ベースの医用画像セグメンテーション手法のトレーニング、テスト、評価における一貫性と再現性を促進し、様々な手法の公平な比較を可能にするフレームワークである。

本稿では、腰痛患者の腰椎MRI画像から椎骨、椎間板、脊柱管をセグメンテーションする新しい拡散ベースのフレームワークであるSpineSegDiffを紹介し、その有効性を検証しています。

本稿では、弱教師あり学習におけるアノテーション不足問題に取り組むため、スーパーピクセルの構造情報を活用した新規手法「スーパーピクセル伝播疑似ラベル学習（SP³）」を提案する。

本論文では、異なるラベルセットを持つ複数の医用画像セグメンテーションタスクに対して、共通のラベル空間を構築することで単一のモデルで学習可能な「ラベル共有」フレームワークを提案し、その有効性を示している。

FIASは、CNNとTransformerの利点を組み合わせ、特徴量不均衡の問題に対処することで、医用画像セグメンテーションの精度を向上させる。

MRSegmentatorは、多様なMRIシーケンスおよびCT画像において、40の解剖学的構造をセグメント化する、堅牢かつ汎用性の高い深層学習モデルである。

本稿では、バイレベルルーティングアテンションとスキップコネクションを備えたU-Net型のピュアTransformerアーキテクチャを採用した、BRAU-Netと呼ばれる新しい恥骨結合-胎児頭部セグメンテーション手法を提案し、その有効性を検証しています。

7T MRIを用いた脳血管のセグメンテーションにおける課題と、公開されたSMILE-UHURAデータセットとチャレンジが、この分野の進歩にどのように貢献するかについて解説する。

本稿では、自然画像で事前学習した自己教師あり学習ビジョンTransformerモデルDINOv2が、MRI画像からの左心房セグメンテーションにおいて、従来の教師あり学習モデルよりも優れた性能を示すことを実証する。

本稿では、CTスキャンにおける骨セグメンテーションにおいて、事前学習なしで様々なプロンプト戦略を用いるSAMファミリーモデルの有効性を評価し、その性能がプロンプト戦略、モデルの種類とサイズ、データセット特性、最適化対象によって異なることを示しています。

Tietoja

Tuotteet

Resurssit