SwIPE는 패치 기반의 암묵적 신경 표현을 활용하여 의료 영상 분할의 정확성과 효율성을 향상시킨다. 이를 통해 국소적 경계 세부 묘사와 전체적 형상 일관성을 동시에 달성한다.
생성 모델 기반의 의료 영상 분할 방법인 GMS는 기존 판별 모델 기반 방법보다 우수한 성능과 도메인 일반화 능력을 보여준다.
제안된 MaxViT-UNet 프레임워크는 UNet 구조를 기반으로 하는 새로운 하이브리드 인코더-디코더 아키텍처로, 다축 주의 집중 메커니즘을 활용하여 의료 영상 분할 성능을 크게 향상시킨다.
의료 영상 분할에서 병변 영역의 정확한 분할은 임상 진단 및 치료에 매우 중요하다. 본 연구는 사전 학습과 프롬팅 개념을 활용하여 의료 영상 분할 성능을 향상시키는 의료 영상 프롬팅(MVP) 프레임워크를 제안한다.
LUCF-Net은 CNN과 Transformer를 결합하여 의료 영상 분할 성능을 향상시킨다. 이를 통해 지역적 및 전역적 특징을 효과적으로 포착하고 모델 복잡성을 낮출 수 있다.
의료 영상 분할의 정확성을 높이기 위해 채널 정보와 위치 정보를 상호 포함하는 새로운 접근법을 제안한다.
Slide-SAM은 중앙 슬라이스에 대한 프롬프트만으로 인접한 여러 슬라이스를 동시에 예측할 수 있으며, 이를 통해 전체 볼륨을 최소한의 프롬프트로 분할할 수 있다.
GLIMS는 CNN과 트랜스포머 기반 하이브리드 구조를 통해 국부적 및 전역적 특징을 효과적으로 추출하고, 주목 기반 접근법을 통해 관심 영역을 정확하게 분할한다.
Mini-Net은 의료 영상 분할을 위해 특별히 설계된 경량 인코더-디코더 모델로, 고주파 및 저주파 특징을 모두 효과적으로 포착하여 정확한 분할을 달성합니다.
MedCLIP-SAMv2는 CLIP과 SAM 모델을 통합하여 텍스트 프롬프트를 사용하여 임상 스캔에 대한 분할을 수행하는 새로운 프레임워크이다. 이 접근법은 BiomedCLIP 모델의 성능을 향상시키는 새로운 DHN-NCE 손실 기능과 M2IB를 활용하여 SAM에 대한 시각적 프롬프트를 생성하는 제로 샷 설정을 포함한다. 또한 약하게 감독된 접근법을 통해 제로 샷 분할 결과를 추가로 개선한다.