医用画像処理

Увійти

ідея - 医用画像処理

2D自然画像向けに設計されたSAMを、3D医用画像の腫瘍セグメンテーションに効率的に適応する新しい手法を提案する。

非理想測定CTの画質を大規模な物理駆動シミュレーションデータセットを用いて事前学習した画像基盤モデルTAMPが、様々な非理想設定と体領域にわたって直接的に向上させることができる。さらに、少量のデータでの適応学習により、特定の非理想設定や体領域に対して高性能な画質向上を実現する。

OCT画像の網膜層分割において、網膜の曲がりや構造変化に対応するため、数式駆動型データ拡張(FDDA)と部分的な網膜層コピー(PRLC)を提案した。これらの手法を用いることで、網膜の平坦化を必要としない網膜層分割手法の精度を向上させることができる。

提案手法SummitはMRI信号の高次元テンソルを低サンプリングしてエンコードし、ニューラル表現を用いた物理モデルに基づく最適化により、外部データを必要とせずに共登録された T1、T2、T2*、QSMマップを再構成する。

SHAP-CAT は、H&E、IHC、および仮想染色された画像の3つのモダリティを統合し、シャープリー値ベースの次元削減手法を用いて解釈可能な多モーダル分類を実現する。

本論文では、病理画像におけるがん領域を統計的に推定する新しい手法を提案する。この手法は、情報理論に基づいて画像特徴量の分類情報を導入し、その空間分布を計算することで、がん領域を特定する。

提案するRobustEMDモデルは、サポート特徴量とクエリ特徴量の間のEMDベースのマッチングメカニズムを設計することで、ドメイン間の差異に頑健な特徴表現を学習する。

拡散オートエンコーダの潜在空間を直接操作することで、医用画像分類と回帰タスクの解釈可能性を高める新しい手法を提案する。

提案したCSRDモデルは、3D PET画像のデノイジングを効率的に行い、解剖学的整合性を維持することができる。

組織病理学画像の多様モダリティ(MxIF、H&E)を細胞レベルで整列させることで、細胞特徴の相互検証や仮想H&E画像の生成などの統合的解析を可能にする。

Про нас

Продукти | Ресурси

Ідеї