医療画像処理

로그인

통찰 - 医療画像処理

本稿では、サイズ制約付き弱教師あり深層学習モデルを用いることで、専門家によるアノテーションを大幅に削減しながら、多パラメトリックMRIを用いた臨床的に重要な前立腺がんの検出において、完全教師ありモデルに匹敵する性能を達成できることを示した。

経験の浅い医療従事者でも標準的な心エコー断面を取得できるよう、心臓の空間構造を学習したワールドモデルを用いてリアルタイムにプローブ誘導を行うシステム「Cardiac Copilot」を開発した。

プライバシーを保護しつつ、リソース制限のあるエッジデバイスでも効率的にSegment Anything Modelを活用できる量子化フレームワークを提案する。

人工知能を使用して光適応型電気網膜図波形を合成し、過小代表集団における網膜疾患の分類を改善する。

retrospective studyにおいて、AI支援除外デバイスを用いた場合の乳がん検診の性能評価には、感度・特異度よりも、陽性的中率(PPV)、陰性的中率(NPV)、期待効用(EU)が適切な指標となる。

医療画像のセグメンテーションを高精度かつ効率的に行うためのハイブリッド畳み込みモデルHC-Mambaを提案する。

本研究は、限られた学習データでも高性能な心臓MRI再構成を可能にする新しい可分離学習手法を提案する。この手法は時間低ランク性と空間スパース性を同時に活用し、深層学習ネットワークの反復過程をアンロールすることで、従来手法を大幅に上回る再構成精度を実現する。

差分プライバシーを用いた複素数フェデレーティッド学習により、医療分野のプライバシーを保護しつつ高精度なMRI撮像シーケンス分類が可能である。

本研究では、異種データ入力と多タスク分割を可能にするSegHeDモデルを提案する。また、時間的一貫性、空間的整合性、体積制約などの解剖学的制約を組み込むことで、新規病変、消失病変、全病変の分割を同時に行うことができる。

大規模な心臓MRI画像データを用いて自己教師あり学習によりプリトレーニングされたビジョン基盤モデルを提案し、分類、セグメンテーション、ランドマーク検出、病変検出などの心臓MRI解析タスクで優れた性能を示す。

소개

제품

리소스