M $^{2}$ SegMamba: 数少ないサンプルで脳腫瘍のセグメンテーションのためのマンバベースの不完全なマルチモダル学習

科学分野:

• 医療用イメージング
• 人工知能
• コンピュータ生物学

背景:

• 脳腫瘍の正確な分割は 臨床診断と治療に不可欠です
• マルチモダル磁気共鳴画像 (MRI) は,豊富な補完的なデータを提供しますが,不完全なモダリティと小さなサンプルサイズで課題に直面します.
• 既存のマルチモダルのセグメンテーション方法は,データ不足と画像配列の欠如に苦しんでいます.

研究 の 目的:

• 多様性MRIを用いた脳腫瘍セグメンテーションのための堅牢なフレームワーク (M2SegMamba) を開発し,特に不完全なデータと小さなサンプル課題に取り組む.
• マンバとマスクされたオートエンコーダーネットワークを活用して 脳腫瘍のセグメンテーションにおける 監督された学習と 自己監督された学習の両方を活用する.
• インターモダルとクロスモダルの画像機能の相互作用と統合を強化する.

主な方法:

• MambaとMasked Autoencoderネットワークを統合するM2SegMambaフレームワークを設計しました.
• 機能抽出を最適化するために 多様性脳腫瘍のマスク戦略を開発しました
• マンバを用いた インターモダルとクロスモダル機能の相互作用を 強化するためのマルチトラバーサル・メソッドを 実施した.
• 効率的なマルチモダルの機能の統合のためにTSmambaをスキップ接続に組み込みました.
• 不完全なモダリティに対する強度を改善するために,エンコーダーとデコーダーで補助レギュラーライザーを利用した.

主要な成果:

• M2SegMambaは,脳腫瘍のセグメンテーションタスクにおける最先端の方法と比較して優れたパフォーマンスを示しました.
• このフレームワークは,BRATS 2018とBRATS 2020のデータセットに欠けているモダリティにもかかわらず,高い精度を達成しました.
• 結果は,不完全なマルチモダルMRIデータをセグメンテーションのために処理する際の有意な改善を示しています.

結論:

• M2SegMambaは,特に不完全なマルチモデルのデータと限られたサンプルで困難な臨床シナリオにおいて,脳腫瘍のセグメンテーションに強固で効果的なソリューションを提供します.
• 提案された枠組みは,セグメンテーションの精度と信頼性を向上させることで,医療画像分析の分野を前進させる.
• この研究は,複雑な医療イメージングタスクのためのMambaベースのアーキテクチャの可能性を強調しています.