医用画像処理

התחברות

תובנה - 医用画像処理

本稿では、自己組織化演算ニューラルネットワーク（Self-ONN）とスタッキングベースのメタ分類器を組み合わせた新しい肺結節分類フレームワーク「Self-DenseMobileNet」を提案し、その有効性を検証しました。

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。

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。

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。

אודות

מוצרים | משאבים

תובנות