医療画像セグメンテーションのための効率的なU字型モデルにおけるマンバ型線形注意機構：MLLA-UNet
MLLA-UNetは、線形注意機構とマンバ型設計を組み合わせることで、高解像度画像の効率的な処理と、長距離依存性の正確な捕捉、そしてローカルな構造情報の保持を両立させた、医療画像セグメンテーションのための新しいアーキテクチャである。
医療画像セグメンテーションのための効率的かつ解釈可能なハイブリッドビジョントランスフォーマーおよびU-Netアーキテクチャ：MAPUNetR
MAPUNetRと呼ばれる新しいハイブリッドアーキテクチャは、ビジョントランスフォーマーモデルと実績のあるU-Netフレームワークの強みを組み合わせることで、医療画像セグメンテーションの精度と解釈可能性を向上させます。
医療画像セグメンテーションのための知識適応型専門家統合フレームワーク：KA$^2$ER
本稿では、事前学習済み基盤モデルの汎用性を維持しながら、タスク特化型専門家モデルの知識を統合することで、現実世界の医療画像セグメンテーションの課題に対処できる新しいフレームワークKA$^2$ERを提案する。
視線追跡を用いた医療画像セグメンテーション：MedSAMの微調整によるインタラクティブな器官セグメンテーション
本稿では、視線追跡データを用いて医療画像のセグメンテーションをリアルタイムに修正する、MedSAMに基づく新しいインタラクティブセグメンテーション手法を提案し、その有効性を検証しています。
知識の二重活用：マルチモーダル半教師あり医療画像セグメンテーションのためのカスタマイズされた変調とプロトタイプ
本稿では、ラベル付きデータが少ない状況下で、複数種類の医療画像から臓器や腫瘍などの領域を自動的に抽出する技術である、マルチモーダル半教師ありセグメンテーションのための新しい手法を提案する。
医療画像セグメンテーションのための言語ベースインタラクティブモデル：LIMIS
LIMISは、医療画像セグメンテーションにおいて、言語のみを用いたインタラクションを可能にする初めてのモデルであり、専門家の知識を組み合わせることで、ハンズフリーで高精度なセグメンテーションを実現します。
モバイルおよびエッジデバイスにおける医療画像セグメンテーションのための、U-Netのような効率的なビジョントランスフォーマー、EViT-UNet
EViT-UNetは、ViTのグローバルな特徴抽出能力を維持しながら、畳み込みと自己注意機構を組み合わせることで計算量を削減し、リソースの限られた医療機器への搭載に適した効率的なセグメンテーションネットワークである。
ノイズの多いアノテーションからの医療画像セグメンテーションのための、混合監視によるラベルフィル手法
本稿では、ノイズの多いアノテーションからでも正確な医療画像セグメンテーションを実現する、ラベルフィルネットワーク（LF-Net）と呼ばれる新しい手法を提案する。
医療画像向け自由形式言語セグメンテーション：思い通りの領域分割を実現
本稿では、解剖学的知識に基づくクエリと位置情報に基づくクエリの両方に対応可能な、自由形式のテキストプロンプトを用いた医療画像セグメンテーションモデル「FLanS」を提案する。
医療画像セグメンテーションのための不確実性認識型MedSAM：U-MedSAM
本稿では、医療画像セグメンテーションモデルMedSAMの精度とロバスト性を向上させるため、不確実性学習を取り入れた新しいモデルU-MedSAMを提案する。
© 2024 by Linnk AI