医療画像分類

로그인

통찰 - 医療画像分類

限られたサンプル数、時間のかかる特徴設計、低精度の検出と分類を解決するため、深層学習と転移学習を組み合わせた乳がん画像分類モデルアルゴリズムを提案する。

組織病理学画像分類においては、教師データのノイズが深刻な問題となっている。本研究では、自己教師学習によるコントラスト学習ベースの深層埋め込みを用いることで、ノイズに強いモデルを構築できることを示す。

本研究では、新しいクラスの到着と入力データ分布の変化を組み合わせた新しい継続学習シナリオを提案し、これに対処するための新しい手法であるPseudo-Label Replayを開発した。提案手法は既存手法を大きく上回る性能を示した。

アーティファクトや曖昧さを避けつつ、過小表現されたクラスの情報を効果的に取得することで、少ない教師データでも高精度な病理組織画像分類を実現する。

限られた教師付きデータを活用し、大量の教師なしデータを活用することで、医療画像分類の精度を向上させることができる。

COVID-19パンデミックに対応するため、CNNとTransformerを組み合わせた新しい分類モデルCECTを開発した。CECTは多様なスケールの局所的特徴と大域的特徴を効果的に捉えることができ、高精度かつ汎用性の高い診断を実現する。

ディスエンタングルドセルフ教師あり学習とメタ学習を組み合わせることで、医療画像の少量データ学習の性能を向上させることができる。

医療画像分類における不均衡問題を解決するための新しいアプローチを提案し、オンライン画像合成と精度適応サンプリングを組み合わせて、優れたパフォーマンスを実現した。

FM APIを使用した医療画像のバイアスに対処するための普遍的なバイアス補正編集戦略を提案します。