본 논문에서는 3D 의료 영상에서 해부학적 구조를 분할하기 위해 학습 및 테스트 볼륨당 단일 주석 슬라이스만 사용하는 새로운 자기 지도 마스크 전파 프레임워크인 Sli2Vol+를 제안합니다.
MIST는 딥러닝 기반 의료 영상 분할 방법의 일관된 학습, 테스트 및 평가를 용이하게 하도록 설계된 간편하고, 모듈식이며, 엔드 투 엔드 방식의 프레임워크로, 다양한 아키텍처와 손실 함수를 수용하여 재현 가능하고 공정한 비교를 가능하게 합니다.
PAM은 다양한 3D 의료 영상에서 최소한의 2D 입력만으로 정확한 3D 분할을 효율적으로 생성하여 기존 접근 방식의 제한된 전이 가능성 문제를 해결하는 범용적이고 다재다능한 도구입니다.
본 논문에서는 3D 의료 영상 분할, 특히 장기 경계 예측의 정확도를 향상시키기 위해 로컬 자기 주의와 글로벌 볼륨 믹싱을 활용한 새로운 하이브리드 인코더-디코더 프레임워크인 vMixer를 제안합니다.
본 논문에서는 새로운 멀티스케일 병변 수준 마스크-속성 정렬 프레임워크인 Malenia를 제시하며, 이는 3D 제로샷 병변 분할을 위해 특별히 설계되었습니다. Malenia는 이전에 본 병변에서 학습한 확장 가능한 지식과 보이지 않는 병변의 시각적 특징을 명시적으로 연결하여 마스크 표현과 관련 요소 속성 간의 호환성을 개선합니다.
본 논문에서는 3D 의료 영상 분할 작업에서 최첨단 컨볼루션 및 트랜스포머 기반 아키텍처와 비교하여 Mamba State Space Model의 효과를 평가하고, Mamba 아키텍처의 주요 제한 사항을 해결하기 위한 대안적인 설계를 제안합니다.
GASA-UNet은 3D 의료 영상 분할을 위한 혁신적인 프레임워크로, 2D 컨볼루션 프로젝션을 사용하여 3D 축 정보가 풍부한 패치를 생성하고 MHSA와 채널 연결 기술을 통해 볼륨 특징에 공간 상관관계를 주입합니다.
UNETR++는 공간 및 채널 주의 메커니즘을 효율적으로 결합하여 3D 의료 영상 분할 성능을 향상시키고 모델 복잡성을 크게 줄인다.
SegFormer3D는 3D 의료 영상 분할을 위한 경량 메모리 효율적인 모델로, 기존 대형 모델의 성능 특성을 유지하면서도 매개변수와 복잡도가 크게 감소되었다.