技術要約：病理学的肝臓セグメンテーションのためのSRMA-Mamba

問題提起

肝硬変は、進行性肝線維症の最終段階として現れる、世界的な重要課題です。磁気共鳴画像法（MRI）は、優れた軟部組織コントラストにより非侵襲的診断の要となっていますが、病理学的な肝構造の正確な輪郭抽出は依然として困難です。手動によるセグメンテーションは多大な労力を要し、観察者間のばらつきも大きくなります。

既存の自動化手法、特にディープラーニングに基づく手法には、以下の特定の限界があります：

1. 空間コンテキストの活用不足： 多くの手法は、ボリューム型MRIデータを線形シーケンスとして扱いますが、これは本質的に3D空間トポロジーを破壊してしまいます。
2. 異方性形態： 肝硬変の構造は、非常に不規則で異方的な形状を示します。空間コンテキストを犠力が線形化を優先すると、境界定義の最適化が妨げられ、断片的なセグメンテーション結果を招きます。
3. 複雑な解剖学的関係： 現在の手法は、異なる解剖学的平面にわたるボクセル間の複雑な空間関係を十分に捉えることができず、臨床的な説明可能性と有効性を阻害しています。

手法

著者らは、状態空間モデル（SSM）を用いてMRIボリューム内の複雑な解剖学的構造における空間関係をモデリングするために設計された新しいアーキテクチャ、SRMA-Mamba（Spatial Reverse Mamba Attention Network）を提案しています。このネットワークは、3つの核心的な革新を備えたエンコーダ・デコーダ構造に従います。

1. 全体アーキテクチャ

SRMA-Mambaは、階層的なエンコーダ・デコーダ・フレームワークを採用しています。エンコーダは入力された肝硬変MRIボリュームから特徴を抽出し、デコーダはセグメンテーションマップを段階的に精緻化します。標準的なデコーダとは異なり、このアーキテクチャは複数の段階でSpatial Reverse Mamba Attention (SRMA) モジュールを統合し、エンコーディング段階からの特徴と粗いセグメンテーションマップの両方を用いて、エッジの詳細を段階的に精緻化します。

2. 解剖学的空間ベースのMamba (SABMamba)

放射線科医が複数の平面にわたってMRIボリュームを確認するという臨床現場に触発され、SABMambaモジュールは、矢状断、冠状断、および軸状断の3つの直交平面からの情報を統合することで、複雑な解剖学的関係をモデリングします。

• 構造： これは、連続する残差ブランチで構成されています。一方のブランチは解剖学的ベースのMamba（ABM）ブロックを利用し、もう一方は多層パーセプトロン（MLP）を利用します。
• 解剖学的ベースの選択的スキャン (ABSS)： ABMブロック内の主要コンポーネントであるABSSモジュールは、病理学的肝組織の空間的特徴表現を学習します。これは以下の手順で動作します：
  1. 再形成（Reshaping）： 入力ボリュームを3つの解剖学的平面（$f_h, f_w, f_d$）に並べ替えます。
  2. スキャン拡張（Scan Expanding）： これらの平面からデータを4つの異なる方向のシーケンスへと展開します。
  3. 選択的処理（Selective Processing）： Mamba由来のS6モジュールを利用して、これらのシーケンスを選択的に処理し、関連する特徴を保持しながら無関係な情報をフィルタリングします。
  4. スキャン結合（Scan Merging）： 処理されたシーケンスを元の解像度へと統合します。
     このアプローチにより、3D空間トポロジーを保持しながら、低い計算複雑度で3Dボリュームデータを直接処理することが可能になります。

3. Spatial Reverse Mamba Attention (SRMA)

SRMAモジュールは、セグメンテーションマップの境界詳細を段階的に精緻化するように設計されています。

• メカニズム： 粗いセグメンテーションマップ（$S_{i+1}$）と現在のエンコーディングレベルの特長マップ（$f_i$）を入力として受け取ります。
• 逆アテンション（Reverse Attention）： 粗いセグメンテーションマップは、Sigmoid関数と逆操作を経て、アテンション重み（$A_i = 1 - \text{Sigmoid}(S_{i+1})$）を生成します。
• 精緻化： これらの重みが、強化された特徴マップに対して要素ごとの乗算を介して適用されます。結果はSABMambaモジュールと畳み込み層によって処理され、精緻化された出力が生成されます。このプロセスにより、特徴の集約と境界の描画が強化されます。

主な貢献

本論文は、4つの主要な貢献を述べています：

1. SRMA-Mambaネットワーク： 3D医療画像における線形シーケンスモデリングの限界に対処する、効率的なボリューム型病理学的肝臓セグメンテーションのための新しいネットワーク。
2. SABMambaモジュール： グローバルな空間コンテキスト表現を構築するために、複数の解剖学的視点（矢状断、冠状断、軸状断）にわたってスキャンを実行するメカニズム。
3. SRMAモジュール： 階層的なエンコーディング特徴と粗いセグメンテーションマップを利用して、境界の精度を向上させる段階的な精緻化メカニズム。
4. ABSSモジュール： 低い計算複雑度で3Dボリュームデータを直接処理することを可能にし、空間的な解剖学的情報を保持する、解剖学的ベースの選択的スキャンモジュール。

実験結果

著者らは、628件の腹部MRIスキャン（T1強調310件、T2強調318件）を含む**CirрMRI600+**データセットを用いてSRMA-Mambaを評価しました。モデルは、CNN（SegResNet, UX-Net, MedNeXt）、Transformer（SwinUNETR, SwinUNETRv2）、およびMambaベースのモデル（SegMamba）を含む最先端の手法と比較されました。

定量的性能

• T1Wデータセット： SRMA-Mambaは92.95% mDSCおよび87.59% mIoUを達成し、従来の最高精度（SegMamba）をそれぞれ1.15%および1.89%上回りました。また、HD95が17.52、ASSDが3.05という優れた境界精度も示しました。
• T2Wデータセット： モデルは86.25% mDSCおよび78.24% mIoUを達成し、ここでもSegMambaを凌駕しました。
• 計算効率： 高い性能にもかかわらず、SRMA-MambaはSegMamba（パラメータ数64.24M、2379.03 GFLOPs）と比較して、大幅に低い計算複雑度（パラメータ数17.22M、149.14 GFLOPs）を示しました。

定性的およびアブレーション分析

• 定性的結果： 視覚的な比較により、SRMA-Mambaが他の手法と比較して、大きな領域および小さな病理領域の両方を描き出し、複雑な境界の詳細を扱う優れた能力を持つことが示されました。
• アブレーション研究： SABMambaを除去するとmDSCが92.95%から80.62%に低下し、空間解剖学のモデリングにおけるその役割が確認されました。SRMAを除去するとmDSCは90.63%に低下し、境界精緻化への寄与が検証されました。
• 平面構成： すべての3つの解剖学的平面（軸状断、矢状断、冠状断）を使用することが、単一平面の構成を一貫して上回ることが実験で示され、マルチ平面表現学習のアプローチの妥当性が証明されました。

重要性と主張

本論文は、SRMA-Mambaが、線形化による断片化を引き起こすことなく、病理学的肝構造の3D空間トポロジーを効果的にモデリングすることで、既存の手法の決定的なギャップを埋めるものであると主張しています。解剖学的平面の情報を統合し、逆アテンションメカニズムを採用することにより、ネットワークは3D病理学的肝臓セグメンテーションにおいて最先端の性能を達成しています。著者らは、このアプローチがセグメンテーション精度を向上させるだけでなく、予後や介入戦略に必要な複雑な解剖学的詳細をより良く保持することで、臨床的な説明可能性を高めるものであると断言しています。本研究は、状態空間モデルと解剖学的事前知識の統合が、ボリューム型医療画像解析における有望な方向性であることを位置づけています。