ASM-UNet: グループ共通性と個別変動を統合した適応型スキャンマンバによる細粒度セグメンテーション

要旨

精密な病変切除は、微細な解剖学的構造を正確に識別することに依存しています。多くの粗粒度セグメンテーション（CGS）手法は大規模なセグメンテーション（例：臓器）で成功を収めていますが、微細なセグメンテーション（FGS）を必要とする臨床シナリオでは不十分であり、小規模な解剖学的構造における個体差の頻繁な発生により依然として課題となっています。最近のMambaベースのモデルは医用画像セグメンテーションを進歩させましたが、固定された手動定義のスキャン順序に依存することが多く、FGSにおける個体差への適応性が制限されています。これを解決するため、我々はFGSのための新しいMambaベースのアーキテクチャであるASM-UNetを提案します。ASM-UNetは、グループレベルの共通性と個体レベルの変動を組み合わせて生成される適応スキャンスコアを導入し、スキャン順序を動的にガイドします。2つの公開データセット（ACDCとSynapse）および新たに提案された挑戦的な胆道系FGSデータセット（BTMS）での実験により、ASM-UNetがCGSとFGSの両タスクで優れた性能を達成することが示されました。我々のコードとデータセットはhttps://github.com/YqunYang/ASM-UNetで公開されています。

English

Precise lesion resection depends on accurately identifying fine-grained anatomical structures. While many coarse-grained segmentation (CGS) methods have been successful in large-scale segmentation (e.g., organs), they fall short in clinical scenarios requiring fine-grained segmentation (FGS), which remains challenging due to frequent individual variations in small-scale anatomical structures. Although recent Mamba-based models have advanced medical image segmentation, they often rely on fixed manually-defined scanning orders, which limit their adaptability to individual variations in FGS. To address this, we propose ASM-UNet, a novel Mamba-based architecture for FGS. It introduces adaptive scan scores to dynamically guide the scanning order, generated by combining group-level commonalities and individual-level variations. Experiments on two public datasets (ACDC and Synapse) and a newly proposed challenging biliary tract FGS dataset, namely BTMS, demonstrate that ASM-UNet achieves superior performance in both CGS and FGS tasks. Our code and dataset are available at https://github.com/YqunYang/ASM-UNet.

ASM-UNet: グループ共通性と個別変動を統合した適応型スキャンマンバによる細粒度セグメンテーション

ASM-UNet: Adaptive Scan Mamba Integrating Group Commonalities and Individual Variations for Fine-Grained Segmentation

要旨

Support