State-of-the-Art Stroke Lesion Segmentation at 1/1000th of Parameters

要約

効率的かつ正確な脳の病変のセグメンテーションは、医療画像分析における依然として課題です。
この作業では、パラメーター効率の高いセグメンテーションモデルであるMeshNetを再訪し、エンコーダーデコダー構造を備えた新しいマルチスケール拡張パターンを導入します。
このイノベーションにより、従来のダウンサンプリング、アップサンプリング、スキップ接続なしで、幅広いコンテキスト情報と細かい詳細をキャプチャすることができます。
以前のアプローチサブボリュームまたはスライスの処理とは異なり、全脳$ 256^3 $ MRIボリュームで直接動作します。
Aphasia Recovery Cohort（ARC）データセットの評価は、Meshnetがパラメーターの1/1000でMednextやU-Mambaなどの最先端のアーキテクチャに対して優れたまたは同等のサイコロスコアを達成することを示しています。
私たちの結果は、Meshnetの効率とパフォーマンスの強力なバランスを検証し、Webベースのアプリケーションや、高度な医療画像分析ツールの広範な展開のための新しい可能性などのリソース制限環境に特に適しています。

要約(オリジナル)

Efficient and accurate whole-brain lesion segmentation remains a challenge in medical image analysis. In this work, we revisit MeshNet, a parameter-efficient segmentation model, and introduce a novel multi-scale dilation pattern with an encoder-decoder structure. This innovation enables capturing broad contextual information and fine-grained details without traditional downsampling, upsampling, or skip-connections. Unlike previous approaches processing subvolumes or slices, we operate directly on whole-brain $256^3$ MRI volumes. Evaluations on the Aphasia Recovery Cohort (ARC) dataset demonstrate that MeshNet achieves superior or comparable DICE scores to state-of-the-art architectures such as MedNeXt and U-MAMBA at 1/1000th of parameters. Our results validate MeshNet’s strong balance of efficiency and performance, making it particularly suitable for resource-limited environments such as web-based applications and opening new possibilities for the widespread deployment of advanced medical image analysis tools.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google