Vision GNNを用いた医療画像セグメンテーションのための幾何学的および視覚的特徴の学習

科学分野:

• 医用画像処理
• コンピュータビジョン
• 人工知能

背景:

• 医療画像セグメンテーションは、臨床アプリケーションにとって不可欠です。
• 深層学習法は優れていますが、オブジェクト間の関係を見落としがちです。
• 既存のグリッドベースのアプローチは、複雑な解剖学的構造の理解を制限します。

研究 の 目的:

• 医療画像セグメンテーションのための新しいモデルであるMedSegViGを紹介します。
• グラフ構造を組み込むことによって、グリッドベースの深層学習法の限界に対処します。
• セグメント化されたオブジェクト間の関係をモデル化することによって、セグメンテーションの精度と堅牢性を向上させます。

主な方法:

• 階層的なVision GNN（ViG）エンコーダーとハイブリッド特徴デコーダーを備えたモデルであるMedSegViGを開発しました。
• オブジェクト間の関係を捉えるために、医療画像をグラフとして表現しました。
• ViGエンコーダーを使用して、マルチレベルのグラフおよび画像特徴を抽出しました。
• 最終的なセグメンテーションマップを生成するために、デコーダーで特徴を融合しました。

主要な成果:

• MedSegViGは、優れたセグメンテーション精度と堅牢性を実証しました。
• このモデルは、多様なデータセットと病変タイプにわたって優れた一般化能力を達成しました。
• ポリープ、皮膚病変、および網膜血管のデータセットでの広範な実験により、有効性が検証されました。

結論:

• MedSegViGは、医療画像セグメンテーションにおける重要な進歩を提供します。
• グラフベースの表現と階層的な特徴抽出により、パフォーマンスが向上します。
• このモデルは、正確な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。