本稿では、全身PET-CTスキャンにおける腫瘍の自動セグメンテーションのためにnnUNetを応用し、その有効性と汎用性を高めるためのトレーニングおよび後処理戦略について検討した。
This research paper presents the application of a deep learning model, nnUNet, for the automated segmentation of tumors in whole-body PET-CT scans, aiming to improve the accuracy and efficiency of tumor identification in oncological practice.
本稿では、高速かつ高感度で取得可能な低解像度MRSIデータから高解像度MRSIを生成する、フローベースのTruncated Denoising Diffusion Model (FTDDM)を紹介する。
本稿では、加速化されたMRIデータから心臓の動きを高精度かつ高速に推定する、k空間における深層学習ベースの新しい非剛体レジストレーションフレームワーク、LAPANetを提案する。
本稿では、高ビット深度ボリュームメディカル画像のロスレス圧縮のための新しいフレームワーク「BD-LVIC」を提案する。高ビット深度ボリュームをMSBVとLSBVの2つの低ビット深度サブボリュームに分割し、それぞれに最適化された圧縮手法を適用することで、従来手法を超える圧縮効率と処理速度を実現する。
This paper introduces a novel, gradient-based motion estimation approach for CBCT that significantly reduces motion artifacts and speeds up computation compared to existing methods, making it particularly valuable for time-sensitive clinical scenarios like acute stroke assessment.
본 논문에서는 콘빔 CT(CBCT)에서 발생하는 움직임으로 인한 이미지 품질 저하 문제를 해결하기 위해 그래디언트 기반 최적화 알고리즘을 사용한 새로운 모션 추정 접근 방식을 제안합니다. 이 접근 방식은 기존 방법보다 19배 빠른 속도를 제공하며, 보다 정확한 모션 추정을 위해 픽셀 단위 품질 맵을 예측하는 자동 인코더와 유사한 아키텍처를 사용합니다.
This paper introduces a novel gradient-based optimization approach for head motion compensation in cone-beam CT, significantly improving speed and accuracy by leveraging differentiable programming and voxel-wise quality metric regression.
MedDiff-FM 是一個基於擴散模型的醫學影像基礎模型,它利用來自多個公開數據集的 3D 電腦斷層掃描 (CT) 影像進行預先訓練,涵蓋從頭部到腹部的解剖區域,並能應用於各種醫學影像任務,例如影像去噪、異常檢測、影像合成、病灶生成和病灶修復。
MedDiff-FMは、複数の公開データセットの3D CT画像を用いて事前学習された、さまざまな医用画像タスクに対応可能な拡散ベースの基盤モデルである。