医療画像セグメンテーション

サインイン

インサイト - 医療画像セグメンテーション

本稿では、MRIのモダリティ欠損問題に対処するため、ヘルダーダイバージェンスと相互情報量に基づく新しい知識蒸留を用いた単一モデルによる脳腫瘍セグメンテーション手法を提案する。

BrainSegFounderは、大規模な健常者脳MRIデータセットを用いた事前学習により、脳腫瘍や脳病変のセグメンテーションにおいて従来手法を超える精度を達成した3D基盤モデルである。

MLLA-UNetは、線形注意機構とマンバ型設計を組み合わせることで、高解像度画像の効率的な処理と、長距離依存性の正確な捕捉、そしてローカルな構造情報の保持を両立させた、医療画像セグメンテーションのための新しいアーキテクチャである。

MAPUNetRと呼ばれる新しいハイブリッドアーキテクチャは、ビジョントランスフォーマーモデルと実績のあるU-Netフレームワークの強みを組み合わせることで、医療画像セグメンテーションの精度と解釈可能性を向上させます。

本稿では、事前学習済み基盤モデルの汎用性を維持しながら、タスク特化型専門家モデルの知識を統合することで、現実世界の医療画像セグメンテーションの課題に対処できる新しいフレームワークKA$^2$ERを提案する。

本稿では、視線追跡データを用いて医療画像のセグメンテーションをリアルタイムに修正する、MedSAMに基づく新しいインタラクティブセグメンテーション手法を提案し、その有効性を検証しています。

本稿では、ラベル付きデータが少ない状況下で、複数種類の医療画像から臓器や腫瘍などの領域を自動的に抽出する技術である、マルチモーダル半教師ありセグメンテーションのための新しい手法を提案する。

LIMISは、医療画像セグメンテーションにおいて、言語のみを用いたインタラクションを可能にする初めてのモデルであり、専門家の知識を組み合わせることで、ハンズフリーで高精度なセグメンテーションを実現します。

EViT-UNetは、ViTのグローバルな特徴抽出能力を維持しながら、畳み込みと自己注意機構を組み合わせることで計算量を削減し、リソースの限られた医療機器への搭載に適した効率的なセグメンテーションネットワークである。

本稿では、ノイズの多いアノテーションからでも正確な医療画像セグメンテーションを実現する、ラベルフィルネットワーク（LF-Net）と呼ばれる新しい手法を提案する。

会社概要

プロダクト

リソース