몬테카를로 유도 보간 일관성 세그먼트 모든 것 모델을 이용한 반지도 학습 기반 전립선 영역 분할
몬테카를로 유도 보간 일관성 기반 반지도 학습 방법을 통해 세그먼트 모든 것 모델의 성능을 향상시켜 전립선 영역 분할 정확도를 높였다.
프리트레인된 Segment Anything Model을 활용한 일반화 가능한 의료 영상 분할을 위한 도메인 적응형 프롬프트 생성
프리트레인된 Segment Anything Model을 활용하여 단일 소스 도메인에서 일반화 가능한 의료 영상 분할을 수행하기 위해, 도메인 적응형 프롬프트 생성 기법을 제안하였다.
의료 영상 분할을 위한 하이브리드 맘바-트랜스포머 비전 UNet: HMT-UNet
HMT-UNet은 상태 공간 모델(SSM)과 트랜스포머의 하이브리드 메커니즘을 활용하여 의료 영상 분할 성능을 향상시킨다.
CT 스캔에서 골절된 뼈 분할을 위한 다중 스케일 주의 집중 및 표면 감독
CT 스캔에서 골절된 뼈를 정확하게 분할하기 위해 다중 스케일 주의 집중 메커니즘과 표면 감독 전략을 제안한다.
의료 영상 분할 성능 향상을 위한 적응형 합성곱 계층
의료 영상에서 다양한 크기와 구성의 해부학적 구조를 효과적으로 처리하기 위해 입력 영상의 국부 컨텍스트에 따라 동적으로 커널 크기를 조정하는 적응형 계층을 제안한다.
신뢰할 수 있는 의료 영상 분할을 위한 증거 기반 보정 불확실성 활용
본 연구는 다양한 의료 영상 분할 네트워크에 쉽게 통합할 수 있는 DEviS 모델을 제안한다. DEviS는 기준 분할 정확도를 높이고 신뢰할 수 있는 예측을 위해 보정된 불확실성을 제공한다.
확산 확률 기반 다중 단서 레벨셋 기법을 통한 췌장 분할의 경계 불확실성 감소
확산 확률 모델을 통해 얻은 사전 확률 분포를 활용하여 레벨셋 기법의 초기 위치를 결정하고, 회색조 단서, 질감 단서와 결합하여 정확한 경계 분할을 달성한다.
증거 기반 삼중 분기 일관성 학습 방법을 통한 반지도 의료 영상 분할
본 논문은 증거 기반 보수적 분기, 증거 기반 진보적 분기, 증거 기반 융합 분기로 구성된 증거 기반 삼중 분기 일관성 학습 프레임워크(ETC-Net)를 제안한다. 이를 통해 예측 다양성을 높이고 불확실성 가이드 교차 지도 학습을 수행하여 준지도 의료 영상 분할 성능을 향상시킨다.
효율적이고 고성능의 3D 의료 영상 분할을 위한 경량 하이브리드 U-Net 모델 LHU-Net
LHU-Net은 공간 및 채널 특징 추출을 효과적으로 균형 잡아 정확도와 효율성을 동시에 달성하는 혁신적인 모델이다.
3D 의료 영상 분할을 위한 필터링된 가짜 레이블 기반 비지도 도메인 적응 기법 FPL+
제안된 FPL+ 프레임워크는 타겟 도메인의 고품질 가짜 레이블을 생성하고, 소스 도메인의 레이블된 이미지와 타겟 도메인의 가짜 레이블 이미지를 함께 학습하여 도메인 간 지식 전이를 향상시킨다.
