医療画像処理

サインイン

インサイト - 医療画像処理

3D医療画像の複雑な空間的、コントラスト、意味的な相関関係を捉えることで、汎用的で効果的な3D医療画像の表現を学習する。

アルツハイマー病の早期診断のために、セグメンテーションと分類のタスクを統合し、知識蒸留を用いて効率的に学習する新しいパイプラインを提案する。

3D高解像度MRイメージングから脳腫瘍の特徴を効率的かつ解釈可能に学習する新しい状態空間モデルベースのアプローチ

合成データを用いた知識蒸留により、少ない計算リソースで心臓超音波画像のセグメンテーションを高精度に実現できる。

T2-FLAIRイメージングにおける4つの特定のスライスを自動的に選択することで、臨床認知症の重症度評価を効率的に支援する。

セグメントエニシングモデル(SAM)は、様々なプロンプト戦略を用いて脳腫瘍の高精度なセグメンテーションを実現できる。

医療画像論文では、使用するデータセットの質と有効性が結論の妥当性に大きな影響を及ぼす。しかし、データセットの引用や言及に一貫した基準がないため、その使用状況を追跡するのが困難である。

条件付きStyleGANを用いて糖尿病性網膜症の重症度に応じて高品質で多様な眼底画像を生成し、それらを利用することで糖尿病性網膜症の診断と重症度評価の性能を大幅に向上させることができる。

本手法は、減光係数の推定と暗黙的ニューラル分布の共同最適化により、スパースビューCT再構成を行う。これにより、材質数の事前情報を活用しつつ、同時に物体の自動セグメンテーションも実現する。

動的に変化する手術室の照明条件下でも、ニューラルネットワークを用いた自動校正手法により、ハイパースペクトルイメージングの精度を維持できる。

会社概要

製品｜リソース

インサイト