CFG-MambaNet: 医療画像セグメンテーションのためのコンテキストおよび周波数ガイド付きマンバネットワーク

科学分野:

• 医療画像解析
• 深層学習
• コンピュータビジョン

背景:

• 正確な医療画像セグメンテーションは非常に重要ですが、グローバルコンテキストモデリング、境界精度、および一般化の難しさから困難です。
• 既存の方法、特にTransformerベースのモデルは、高解像度の医療画像では非効率に直面し、輪郭がぼやけた、またはテクスチャが弱い病変の処理に苦労します。

研究 の 目的:

• 現在の医療画像セグメンテーション技術の限界を克服するために設計された新しいフレームワーク、CFG-MambaNetを導入すること。
• 特に困難なケースにおいて、医療画像セグメンテーションの効率、精度、および堅牢性を向上させること。

主な方法:

• マンバに基づいた可変スケール状態空間ブロックを採用し、線形複雑性で効率的な長距離依存関係キャプチャを実現しました。
• 低周波構造と高周波境界の詳細を区別するために、周波数ガイド付き表現モジュールを組み込みました。
• 意味論的な手がかりを統合し、重要な領域を強調するための適応的コンテキスト集約メカニズムと、安定したトレーニングと境界付着の改善のためのディープスーパービジョンを備えた複合損失を導入しました。

主要な成果:

• CFG-MambaNetは、さまざまなデータセット（ACDC、Kvasir-SEG、ISIC、SEED）で医療画像セグメンテーションにおいて大幅な改善を示しました。
• このフレームワークは、長距離依存関係、境界の区別、および不明瞭な特徴を持つ病変のセグメンテーションに関連する課題に効果的に対処しました。
• 心臓MRI、内視鏡検査、皮膚科検査、病理検査を含むさまざまな医療画像モダリティで堅牢なパフォーマンスを達成しました。

結論:

• CFG-MambaNetは、医療画像セグメンテーションのための効率的で堅牢なソリューションを提供し、既存の方法を上回っています。
• 提案された周波数ガイド付きおよびコンテキスト集約戦略は、複雑なセグメンテーションタスクを処理する上で効果的です。
• このフレームワークは、高精度の医療画像セグメンテーションを必要とする臨床アプリケーションに大きな可能性を示しています。