GAInS：勾配異常認識に基づく医用画像インスタンスセグメンテーション

[fulfulggg]

タイトル: GAInS：勾配異常認識に基づく医用画像インスタンスセグメンテーション

リンク: https://arxiv.org/abs/2409.13988

概要:

インスタンスセグメンテーションは、組織や細胞などの生物医学的実体の形態学的定量化において重要な役割を果たし、異なる構造の正確な識別と描写を可能にします。現在の方法は、接触、重複、または交差するインスタンスの課題に個々のモデリングを通じて対処することが多く、これらの条件間の本質的な相互関係を無視しています。本研究では、インスタンス勾配情報を利用して局所勾配異常領域を認識し、インスタンス間の空間的関係をモデル化し、局所領域のセグメンテーションを洗練化する、勾配異常認識型生物医学インスタンスセグメンテーション手法（GAInS）を提案します。具体的には、GAInSはまず、ウィンドウスライディングを通じてインスタンスの放射状フィールドをエンコードしてインスタンス勾配異常マップを取得する、勾配異常マッピングモジュール（GAMM）に基づいて構築されます。勾配異常アテンションを用いて境界と領域を効率的に絞り込むために、勾配異常認識型損失関数を持つ適応型局所絞り込みモジュール（ALRM）を提案します。3つの生物医学的シナリオにおける広範な比較とアブレーション実験により、提案するGAInSが他の最先端（SOTA）インスタンスセグメンテーション手法よりも優れていることが実証されました。コードはhttps://github.com/DeepGAInS/GAInSで入手できます。

[fulfulggg]

@yukihiko-fuyuki が以下のラベルを提案し、適用しました：

• medical-imaging
• image-segmentation
• deep-learning

[fulfulggg]

論文要約

GAInS：勾配異常認識に基づく医用画像インスタンスセグメンテーション (arXiv:2409.13988) - 論文要約

背景

• 医用画像におけるインスタンスセグメンテーションは、組織や細胞などの構造を個別に識別・分析するために重要。
• 既存手法は、接触・重複・交差するインスタンスを個別に扱うため、相互関係を捉えきれない場合がある。

提案手法: GAInS

• 勾配異常 情報に基づき、インスタンス間の空間的な関係をモデル化し、セグメンテーション精度を向上させる手法。

主な構成要素

1. 勾配異常マッピングモジュール (GAMM)
   • インスタンスの勾配情報を分析し、異常な勾配を持つ領域 (インスタンス境界など) を強調したマップを作成。
2. 適応型局所絞り込みモジュール (ALRM)
   • 勾配異常マップを利用し、重要な境界・領域に焦点を当ててセグメンテーションを洗練化。

結果

• 3つの異なる医用画像データセットを用いた実験で、GAInSは既存の最先端手法を超える性能を達成。

コード

• https://github.com/DeepGAInS/GAInS にて公開。