3Dカーネルのスケーリングとベイジアン周波数再パラメータ化による医用画像セグメンテーション

科学分野:

• 医用画像解析
• コンピュータビジョン
• 深層学習アーキテクチャ

背景:

• 畳み込みニューラルネットワーク（CNN）における大カーネル（LK）サイズは、医用画像セグメンテーションの効果的受容野（ERF）を増やすことを目的としています。
• しかし、過度に大きなカーネルではパフォーマンスの飽和や低下が発生し、最適な局所学習が妨げられます。
• 構造的再パラメータ化（SR）は、小さなカーネルで収束を改善しますが、計算効率に影響を与える可能性があります。

研究 の 目的:

• 医用画像セグメンテーションを改善するための新しい大カーネルブロック設計を利用した純粋なCNNアーキテクチャであるRepUX-Netを提案します。
• 従来の大きなカーネル畳み込みの限界に対処し、収束特性を強化します。
• 既存の最先端（SOTA）セグメンテーションネットワークと競合し、それを上回ります。

主な方法:

• シンプルでありながら効果的な大カーネルブロックを備えたCNNアーキテクチャであるRepUX-Netを開発しました。
• カーネル再パラメータ化とカーネル収束変動の間の等価性を導き出しました。
• 空間周波数に着想を得た要素ごとのカーネル収束変動を導入し、トレーニング中の重み再パラメータ化のベイジアン事前分布としてモデル化しました。
• 確率的勾配降下法でカーネル要素を再スケーリングするための周波数重み付け値を見積もるために逆関数を使用しました。

主要な成果:

• RepUX-Netは、6つの挑戦的な公開データセット全体で、3D SOTAベンチマークと比較して優れたパフォーマンスを示しました。
• 内部検証（FLARE）、外部検証（MSD、KiTS、LiTS、TCIA）、転移学習（AMOS）シナリオでDiceスコアの一貫した改善を達成しました。
• 提案された大カーネルブロック設計と再パラメータ化戦略の有効性を示し、既存の方法を一貫して上回りました。

結論:

• RepUX-Netは、現在のSOTAメソッドを上回る、医療画像セグメンテーションのための競争力のある効率的な代替手段を提供します。
• 提案された方法は、空間周波数に着想を得た再パラメータ化を組み込むことにより、大きなカーネル畳み込みの限界を効果的に対処します。
• このアーキテクチャは、深層学習ベースの医療画像分析における将来の研究のための強力な基盤を提供します。