SpineSegDiff는 T1w 및 T2 강조 MRI 스캔에서 척추, 추간판 및 척추관을 포함한 요추의 정확하고 강력한 분할을 위해 특별히 설계된 혁신적인 확산 기반 모델입니다.
본 논문에서는 시간적 프롬프트를 활용하여 UNet 기반 의료 영상 분할 모델의 성능을 향상시키는 TP-UNet 프레임워크를 제안합니다.
이 논문에서는 다양한 해부학적 구조에 대한 여러 분할 작업을 동시에 학습할 수 있는 새로운 라벨 공유 프레임워크를 제안하며, 이를 통해 단일 모델로 여러 작업을 효율적으로 처리하고 새로운 작업에 대한 점진적인 학습을 가능하게 합니다.
FIAS는 CNN과 Transformer의 장점을 결합하여 의료 영상 분할에서 특징 불균형 문제를 해결하고, 향상된 성능을 달성하는 새로운 딥러닝 프레임워크입니다.
MRSegmentator는 다양한 MRI 및 CT 데이터 세트에서 40개의 해부학적 구조를 정확하게 분할하는 오픈 소스 딥러닝 모델로, 의료 영상 연구에서 자동화된 다중 장기 분할을 위한 귀중한 도구를 제공합니다.
본 논문에서는 양방향 라우팅 어텐션 메커니즘을 갖춘 순수 트랜스포머 아키텍처인 BRAU-Net을 제안하여, 초음파 이미지에서 치골 결합과 태아 머리를 자동으로 분할하는 효과적인 방법을 제시합니다.
자기 지도 학습 비전 트랜스포머 모델인 DINOv2는 제한된 데이터 환경에서도 MRI 이미지의 좌심방 분할 작업에 효과적으로 활용될 수 있으며, 기존 방법들보다 우수한 성능을 보여준다.
SMILE-UHURA 챌린지는 7T ToF MRA에서 중시적 규모의 혈관 분할을 위한 공개적으로 이용 가능한 주석이 달린 데이터 세트의 부족을 해결하고, 이러한 데이터의 고잡음 수준과 낮은 혈관-배경 대비를 관리하기 위한 고급 기술의 필요성을 강조합니다.
본 논문에서는 컴퓨터 단층 촬영(CT) 스캔에서 늑골 골절을 자동으로 분할하기 위해 보조 분류 작업을 활용하는 새로운 딥러닝 모델을 제안합니다.
본 논문에서는 공개적으로 이용 가능한 라벨링된 데이터셋과 라벨링되지 않은 조산아 망막증(ROP) 이미지를 모두 활용하여 ROP 진단의 정확도를 향상시키는 새로운 준지도 학습 프레임워크를 제안합니다.