形状認識型クロスモーダル領域適応型セグメンテーションモデル

科学分野:

• 医用画像解析
• コンピュータビジョン
• 人工知能

背景:

• クロスモーダル教師なしドメイン適応（UDA）は、形状事前情報と中間特徴の利用不足による一般化能力の制限に苦労しています。
• クロスモーダルセグメンテーションにおける既存の方法は、グローバルおよびローカル情報を効果的に捉えられず、パフォーマンスに影響を与えることがよくあります。

研究 の 目的:

• クロスモーダルUDAパフォーマンスを向上させるための新しいセグメンテーションモデル、形状認識型適応重み付け（SAWS）を提案すること。
• セグメンテーションを改善するために、モデルのターゲット領域認識能力を高め、グローバルおよびローカル情報の両方を捉えること。

主な方法:

• 角度プーリングを使用して形状特徴を複数の方向から捉えるための、マルチアングルストリップ形状認識（MSSP）モジュールを開発しました。
• 中間特徴を活用し、小さな構造のセグメンテーションを改善するために、適応重み付け階層的コントラスト（AWHC）損失を導入しました。
• クロスモーダル心臓セグメンテーションのために、マルチモーダル全心臓セグメンテーション（MMWHS）データセットでSAWSモデルを評価しました。

主要な成果:

• SAWSモデルは、クロスモーダル心臓セグメンテーションタスクにおいて優れた性能を達成しました。
• CT→MRIでは、SAWSは70.1%のダイススコアと4.0の平均対称表面距離（ASSD）を達成しました。
• MRI→CTでは、SAWSは83.8%のダイススコアと3.7のASSDを達成し、最先端の方法を上回りました。

結論:

• 提案されたSAWS法は、クロスモーダル医用画像セグメンテーションにおけるUDAモデルの構造認識能力と一般化パフォーマンスを効果的に向上させます。
• SAWSは、異なる画像モダリティ間でのセグメンテーション精度と堅牢性において大幅な進歩を示しています。
• 形状認識アプローチは、医用画像処理における複雑な解剖学的構造を処理するモデルの能力を高めます。