登录
洞察 - 의료 영상 세그멘테이션
흉부 CT 세그멘테이션에서 멀티 스케일 특징 학습을 위한 강도-공간 이중 마스크 오토인코더
본 논문에서는 흉부 CT 이미지에서 병변의 불명확한 특징, 모호한 경계, 다중 스케일 특징과 같은 문제를 해결하기 위해 강도 마스킹과 공간 마스킹을 결합한 새로운 자기 지도 학습 모델인 ISD-MAE를 제안하며, 이를 통해 2D 폐렴 및 종격동 종양 세그멘테이션 작업에서 우수한 성능을 보여줍니다.
의료 모델 확장 프로세스
Segment Anything Model(SAM)은 의료 영상 세그멘테이션에서 일반화 능력이 뛰어나지만, 의료 영상에 대한 성능이 제한적이다. 이를 개선하기 위해 SAM 변형 모델들이 제안되고 있으며, 이를 통합하고 효율적으로 활용할 수 있는 플랫폼이 필요하다.
의료 영상 세미 지도 학습을 위한 메타 유사 레이블과 혼합 영상을 활용한 SM2C 기법
SM2C 기법은 의료 영상 세그멘테이션 모델의 성능을 향상시키기 위해 크기 확장, 다중 클래스 혼합, 객체 형태 변형 등의 데이터 증강 기법을 활용한다. 이를 통해 모델이 세그멘테이션 객체의 특징을 더 잘 학습할 수 있도록 한다.
