医療画像の包括的で使いやすい多ドメイン多タスクメタデータセット(MedIMeta)
MedIMeta は、10のドメインにわたる19の医療画像データセットを含む包括的な多ドメイン多タスクメタデータセットであり、機械学習モデルの開発と標準化された評価を容易にする。
超音波画像におけるYOLOとFaster R-CNNを用いた胆嚢がんの検出
YOLOとFaster R-CNNの融合手法を用いることで、胆嚢がんの検出精度を向上させることができる。
深層学習を用いた自動脳腫瘍検出のための脳画像セグメンテーション
本研究では、BraTS'2020データセットを使用して3D U-Netモデルを開発し、深層学習を用いた自動脳腫瘍検出の有効性を実証した。
弱教師付き全スライド画像分類のための注意機構を用いた深層多重インスタンス学習
本研究では、Transformerの注意機構を応用した多頭注意機構を用いた深層多重インスタンス学習モデル(MAD-MIL)を提案し、従来手法と比較して、パラメータ数と計算量を削減しつつ、性能を向上させている。
乳がん組織病理学画像分類のための新しいアプローチ:クロスカラースペースフィーチャーフュージョンとクアンタム-クラシカルスタックアンサンブル手法の活用
本研究は、RGB、HSV、CIE Luvの色空間を組み合わせたクロスカラースペースフィーチャーフュージョンと、量子クラシカルスタックアンサンブル手法を活用することで、乳がん組織病理学画像の分類精度を大幅に向上させることを示している。
医療画像の汎用的な領域分割を可能にするMedSAMモデル
MedSAMは、10種類の医療画像モダリティと30種類以上のがんタイプをカバーする大規模なデータセットを用いて学習された、医療画像の汎用的な領域分割を可能にする基盤モデルである。MedSAMは、特定のモダリティやタスクに特化したモデルよりも高い精度と頑健性を示し、幅広い医療画像分割タスクにおいて優れた性能を発揮する。
医療画像における予測学習と対照学習の自己教師あり学習に関するレビュー
医療画像解析では、手動で注釈付けされた大規模なデータが不足しているため、自己教師あり学習が有効な解決策となっている。特に対照学習は、教師あり学習と同等以上の性能を達成できる最も成功した手法である。
医療画像セグメンテーションのための新しいフレームワーク「MedCLIP-SAM」
MedCLIP-SAMは、CLIP及びSAMの基盤モデルを組み合わせることで、テキストプロンプトを使った対話型かつ汎用的な医療画像セグメンテーションを実現する。
大規模マルチスキャナデータセットを用いた赤血球の深層学習セグメンテーションと分類
本研究では、大規模で多様な赤血球画像データセットを用いて、赤血球の自動セグメンテーションと分類のための二段階の深層学習フレームワークを提案した。
医用画像のデータ拡張の分析
異なるデータ拡張手法の有効性を分析し、乳腺超音波画像の分類における性能向上を実証する。