CMT-Unet: 医用画像セグメンテーションの精度と効率を高めるために,段階的なハイブリッドフレームワークを活用する

科学分野:

• メディカルイマージング (医学イメージング)
• コンピュータビジョン コンピュータビジョン
• 人工知能 (AI) とは,人工知能 (AI) のことです.

背景:

• 医療画像の正確なセグメンテーションには,ローカルの詳細保存とグローバルコンテキストモデリングのバランスをとる必要があります.
• 既存のコンボリューション,トランスフォーマー,およびハイブリッドアーキテクチャは,これらの二重要件を適応的に管理する上で課題に直面しています.
• 医療診断における効率的で正確なピクセルレベルのセグメンテーションの必要性は極めて重要です.

研究 の 目的:

• 高精度医療画像セグメンテーションのための新しいハイブリッドアーキテクチャであるCMT-Unetを導入する.
• マンバベースの状態空間モデルを使用して,ローカルとグローバル機能モデリングの間の適応バランスを有効にします.
• 微細な局所的な詳細と,長距離の文脈的依存関係の両方のキャプチャを向上させるため.

主な方法:

• CMT-Unetを開発し,階層的なアーキテクチャでMambaとトランスフォーマーモジュールと逆転した残留コンボリューションユニットを統合しました.
• 適応的なローカル・グローバルの特徴モデリングのための組み込みのMambaと,高低周波情報キャプチャのためのHiLoの注意.
• エンコーダーの空間抽象化から意味抽象化への進捗に合わせて段階的な統合戦略を採用しました.

主要な成果:

• CMT-Unetは,ベースラインのTransformer-UNetや他のハイブリッドモデルと比較して,SynapseとACDCのデータセットで競争力のある効率性と正確性を実証しました.
• このアーキテクチャは,コンピューティングの複雑さを管理しながら,ローカルとグローバルの特徴を効果的に捉えました.
• HiLo attentionは,テクスチャーと境界線をうまく補完し,セグメンテーションの質を向上させました.

結論:

• CMT-Unetは,高度な医療画像セグメンテーションのための実現可能で堅牢なソリューションを提供しています.
• ステージ固有のハイブリッドデザインは,セグメンテーションのパフォーマンスを改善するための有望な方向を表しています.
• ローカルとグローバル特性の適応的なバランスは,高精度の医療画像セグメンテーションを達成するための鍵です.