技術要約: MNET++: 異方性医療画像セグメンテーションのための拡張2D/3Dネットワーク

問題提起

3次元医療画像セグメンテーションは、スライス間の間隔（z軸）が面内の解像度（xおよびy軸）よりも大幅に大きい異方性ボクセル間隔という、根強い課題に直面しています。これは、臨床的なMRIやCTの撮像において一般的です。標準的な3D畳み込みニューラルネットワーク（CNN）は、疎にサンプリングされたスループレーン領域に過学習する傾向がある一方で、2D CNNはボリュームとしてのコンテキストを捉えることができません。2.5D U-NetやオリジナルのMNetのようなハイブリッドなアプローチは、これらのレジームを調和させようと試みていますが、多くの場合、手動で設計された融合ルールに依存しているか、あるいは深度軸に沿った効率的な長距離コンテキスト推論のための現代的なメカニズムを欠いています。

手法

本研究は、主に2つの目的、すなわち、オリジナルのMNetアーキテクチャの忠実な再現と、その適応性と効率性を高めるための軽量な拡張の導入に焦点を当てています。

1. 再現フレームワーク

著者らは、標準的な前処理パイプラインとの一貫性を確保し、現実的な計算制約下での報告された性能を検証するために、MNetをnnU-Netフレームワーク内で再実装しました。

• データセット: 実験は、PROMISE12（前立腺MRI）およびLiTS（肝臓CT）の制御されたサブセットを用いて行われました。
• 構成: 再現にあたっては、オリジナルのMNetアーキテクチャ（並列2D/3Dストリームを持つ5つのエンコーダ/デコーダステージ）を使用し、Dice損失とディープスーパービジョンのもと、150エポック学習を行いました。
• 異方性テスト: モデルの堅牢性を評価するため、様々なz間隔（1 mm、2.2/2.0 mm、および4 mm）にわたって評価を実施しました。

2. 提案される拡張

再実装されたMNetに対して、2つの具体的なアーキテクチャ変更が導入されました。

• 融合ゲーティング・メカニズム (Fusion Gating Mechanism):

  • 問題: オリジナルのMNetは、2Dおよび3D特徴マップをマージするために、固定されたハードコードされた操作（加算、減算、または結合）を使用しています。
  • 解決策: 学習可能な融合ゲーティング (Fusion Gating) モジュールが、これらの静的なルールを置き換えます。これは、ソフトゲート $g \in [0, 1]$ を予測し、2D特徴と3D特徴を補間します：$y = g \odot x_{2D} + (1-g) \odot x_{3D}$。
  • バリアント: 本研究では、チャネル・ゲーティング（チャネルごとのグローバルな信頼度）と、空間的ゲーティング（チャネル間で共有される位置固有の信頼度マップ）を調査しました。これにより、モデルは局所的な画像の品質や異方性の深刻度に基づいて、特徴ストリームを適応的に重み付けできるようになります。

• VMambaの統合:

  • 問題: 標準的な3D畳み込みは、厚いスライスのスキャンにおけるz軸方向の長距離依存関係を、過度な計算コストなしにモデル化することに苦慮します。
    পারে。
  • 解決策: 著者らは、エンコーダのボトルネックステージ（3、4、および5）にVMamba（状態空間再帰モジュール）を統合しました。
  • メカニズム: 入力ボリュームを、各空間位置 $(H, W)$ を深度 $D$ に沿った独立したシーケンスとして扱うようにリシェイプします。z軸選択的スキャン (z-axis selective scan) が、$O(D)$ の計算量でこれらのシーケンスを処理し、スライス間の依存関係を効率的に捉えます。これにより、重い3D畳み込みを置き換えることでパラメータ数を削減します。

主な結果

再現性の検証

再実装されたMNetは、許容される再現性の範囲内（$\pm 2\text{--}3\%$）で、オリジナルの論文の性能傾向を一致させることに成功しました。

• PROMISE: 89.0 ± 0.9% のDice類似係数（DSC）を達成し、オリジナルの89.8%から0.8%以内の誤差となりました。
• LiTS: 肝臓セグメンテーションで 94.3 ± 1.9%、腫瘍セグメンテーションで 54.6 ± 3.1% を達成しました。腫瘍のスコアが低いのは、訓練用サブセット（131ケースに対し50ケース）および減少した訓練エポック数（500に対し150）に起因します。

拡張機能の性能

• 空間的ゲーティング (Spatial Gating): パラメータオーバーヘッドをほとんど増やさずに（推論コスト <3%）、PROMISEの性能を +0.8% 向上させ（DSC 90.0%に到達）、より高い性能を実現しました。これは、1mmから4mmの間隔におけるDSCの低下が、ベースラインと比較して小さい（1.5ポイントの差）ことから、変化する異方性に対する優れた安定性を示しました。
• VMamba: モデルパラメータを8.77Mから7.42Mに削減しました。LiTSの肝臓セグメンテーションにおいて最も高い性能（95.8 ± 0.7% DSC）を達成し、PROMISEのDice変動を±0.7%に抑えるなど、性能の一貫性を向上させました。
• 結合モデル: 空間的ゲーティングとVMambaの組み合わせは、LiTS肝臓において 95.9 ± 0.3% DSCを達成し、適応的な融合と深度認識モデリングの相補的な性質を裏付けました。

異方性への堅牢性

両方の拡張機能は、MNetの異方性に対する堅牢性を維持しました。1–4 mmのボクセル間隔にわたって、Diceの変動は約 1.5% に留まり、学習された融合と状態空間モデリングが、可変スライス厚を扱うネットワークの能力を損なわないことを示しました。

意義と主張

本論文は、主に3つの貢献を主張しています。

1. 再現性: ハイブリッドな2D/3D融合戦略が、現実的な計算予算の下で実現可能かつ堅牢であることを検証し、適応的な次元表現が異方性セグメンテーションの鍵であるというオリジナルの論文の核心的な前提を裏付けました。
2. 適応的融合: ハードコードされた融合ルールを学習可能なゲーティングメカニズムに置き換えることで、ネットワークが2Dおよび3Dの特徴を動的にブレンドでき、大きな計算負荷なしに境界の精度と安定性を向上させられることを示しました。
3. 効率的な長距離モデリング: VMamba ブロックを統合することで、異方性ボリュームにおける長距離の深度依存関係を効率的にモデル化し、特徴のコヒーレンスを高めつつパラメータ数を削減できることを示しました。

限界と控えめな結論

著者らは、自身の知見に対して控えめな姿勢を維持しています。

• データセットの制約: LiTSの結果、特に腫瘍セグメンテーションについては、50ケースのサブセットと短い訓練スケジュールによって制限されています。著者らは、腫瘍の性能は病変の形態やデータ量に大きく依存しており、さらなる向上を引き出すには、フルデータセットでの訓練と拡張されたスケジュールが必要である可能性があると述べています。
• 収束: PROMISEデータセット（エポック100–120までに性能がプラトーに達した）については150エポックで十分でしたが、LiTSの損失曲線は不安定な挙動を示しており、複雑な解剖学的構造に対しては、より長い訓練やより多くのデータが必要である可能性を示唆しています。
• 今後の課題: 本研究は、これらの拡張機能が他のマルチクラス・タスクへどのように汎用化されるか、また、より高度な計算リソースを用いた高度なVMambaのバリアント（例：双方向スキャン）の可能性について、決定的な結論を出すにはさらなる検証が必要であることを認めています。

要約すると、本研究はMNetの再現性を確認し、適応的融合と状態空間アテンションが、異方性の条件下でのセグメンテーションの信頼性をさらに強化できるという証拠を提供していますが、腫瘍セグメンテーションに関する決定的な結論には、より広範な検証が必要とされています。