흉부 CT 스캔에서 전종격동을 자동으로 분할하기 위해 U 자형 구조, 어텐션 메커니즘, 확장 컨볼루션 블록을 활용한 경량 컨볼루션 신경망이 개발되었으며, 이는 기존 최첨단 네트워크보다 우수한 성능을 보였다.
3D nnU-Net 모델을 사용하여 최소한의 주석만으로 MRI 마우스 스캔에서 폐 종양을 정확하게 분할하는 방법을 제시하고, 3D 공간 정보 활용의 중요성을 강조합니다.
사전 학습된 비전 트랜스포머(ViT)와 그래프 어텐션 네트워크(GAT)를 결합한 새로운 비지도 학습 기반 의료 영상 분할 모델 UnSegMedGAT를 소개하며, 레이블이 부족한 의료 영상 분야에서 우수한 성능을 보여줍니다.
본 연구는 잠재 확산 모델을 사용하여 레이블링된 합성 뇌 MRI 데이터를 생성하고, 이를 통해 뇌실 확장 분할 정확도를 향상시키는 방법을 제시합니다. 특히, 데이터 부족 문제를 해결하고 기존 모델의 성능을 능가하는 결과를 보여줍니다.
본 논문에서는 간 혈관의 연결성 및 완전성을 향상시킨 새로운 그래프 주의 기반 확산 모델(GATSegDiff)을 제안하며, 이는 기존 방법들보다 우수한 성능을 보입니다.
본 논문에서는 안구 근육 약화를 진단하는 데 사용할 수 있는 안구 이미지의 자동 분할을 위한 새로운 손실 함수를 제안합니다. 특히, 제안된 손실 함수는 토폴로지 제약과 교집합-합집합 제약을 활용하여 적은 양의 학습 데이터를 사용하는 경우에도 홍채 분할 성능을 향상시킵니다.
CAT는 의료 영상 분할을 위해 해부학적 프롬프트(3D 이미지)와 텍스트 프롬프트(의료 지식)를 결합하여, 특히 종양과 같이 모양과 크기가 다양한 의료적 이상을 효과적으로 분할하는 것을 목표로 합니다.
본 논문에서는 선형 attention 메커니즘과 State Space Model(SSM)의 장점을 결합하여 의료 영상 분할 작업의 정확도와 계산 효율성을 향상시키는 새로운 아키텍처인 MLLA-UNet을 제안합니다.
본 논문에서는 데이터 부족 및 불균형 문제를 해결하기 위해 클래스 인식 시맨틱 확산 모델(CASDM)이라는 새로운 이미지 합성 접근 방식을 제안하며, 특히 수술 장면의 중요하지만 크기가 작은 조직 클래스를 효과적으로 학습하여 분할 성능을 향상시키는 데 중점을 둡니다.
본 논문에서는 비전 트랜스포머와 U-Net 프레임워크의 강점을 결합한 새로운 의료 영상 분할 아키텍처인 MAPUNetR을 제안하여 정확도와 해석 가능성을 향상시켰습니다.