合成データの腫瘍サイズと境界定義の精度が、膵臓腫瘍セグメンテーションモデルの性能に大きな影響を与える。
病変部を除去し、正常な解剖学的構造を保持した脳画像を生成することで、病変部位を特定するアノマリーマップを作成する。
提案手法MDAは、モダリティ間の線形アテンション関係を構築することで、各モダリティの重要度を動的に調整し、欠損モダリティや固有ノイズに対処しつつ、多様なモダリティ情報を効果的に融合する。
医療画像分野における継続学習は、データ分布の変化や新しいタスクの追加に対して柔軟に適応し、過去の学習を忘れずに新しい知識を獲得することを可能にする。
Argesは、内視鏡動画の時空間情報を活用し、潰瘍性大腸炎の重症度を高精度に評価する深層学習フレームワークである。
3D ガウシアン表現を用いて、極端に希薄な冠動脈データから効率的かつ正確に3D冠動脈を再構築する。
多様な医療施設の専門家の知識を統合したAIモデルにより、前立腺がんの放射線治療標的領域の自動描出精度を大幅に向上させることができる。
提案するハイブリッドモデルは、自己教師あり学習と知識蒸留を組み合わせることで、小規模なデータセットからも高品質な特徴空間を抽出し、糖尿病性網膜症の等級付けを高精度に行うことができる。
特徴整列拡散を用いることで、既存の拡散モデルを改善し、より高品質な合成医療画像データを生成できる。
本研究は、医療用放射線画像の表現学習のための革新的なアプローチを提案する。従来の手法は「所見」と「印象」の階層的関係を無視していたが、本研究ではこの関係に着目し、グローバルな視覚表現を「印象」と、トークンレベルの視覚表現を「所見」とそれぞれ整合化する新しい枠組みHybridMEDを提案する。さらに、「印象」の生成を補助する要約ブランチと、画像から「印象」を生成するキャプショニングブランチを並列に構築し、知識蒸留を用いて効率的に学習を行う。