HWA-UNETR: Hierarchical Window Aggregate UNETR for 3D Multimodal Gastric Lesion Segmentation

要約

マルチモーダルの医療画像セグメンテーションは、胃がん病変分析の文脈において大きな課題に直面しています。
この臨床的コンテキストは、独立したマルチモーダルデータセットの希少性と、本質的に整列されたモダリティを融合するための必須事項によって定義されます。
その結果、アルゴリズムは近似データでトレーニングするように制約され、アプリケーションの移行に依存しているため、リソースの大幅な支出と分析精度の潜在的な低下につながります。
これらの課題に対処するために、2つの主要な貢献をしました。まず、GCM 2025データセットを公開します。これは、専門的に注釈付きFS-T2W、CE-T1W、および500人の患者からのADC画像を特徴とする胃がんマルチモーダルMRIスキャンの最初の大規模でオープンソースコレクションとして機能します。
第二に、異なるモダリティの解剖学的構造間の動的な特徴の対応を確立するために、学習可能なウィンドウ集約層を備えた元のHWAブロックを採用する新しい3DセグメンテーションフレームワークであるHWA-Unetrを紹介し、文脈モデリングと長距離空間依存症のキャプチャのための革新的な三重融合MAMBAメカニズムを活用します。
GCM 2025データセットとPublicly Brats 2021データセットに関する広範な実験は、フレームワークのパフォーマンスを検証し、新しいアプローチが既存のメソッドをDICEスコアで最大1.68 \％だけ超えていることを示しています。
データセットとコードはhttps://github.com/jeming-creater/hwa-unetrを介して公開されています。

要約(オリジナル)

Multimodal medical image segmentation faces significant challenges in the context of gastric cancer lesion analysis. This clinical context is defined by the scarcity of independent multimodal datasets and the imperative to amalgamate inherently misaligned modalities. As a result, algorithms are constrained to train on approximate data and depend on application migration, leading to substantial resource expenditure and a potential decline in analysis accuracy. To address those challenges, we have made two major contributions: First, we publicly disseminate the GCM 2025 dataset, which serves as the first large-scale, open-source collection of gastric cancer multimodal MRI scans, featuring professionally annotated FS-T2W, CE-T1W, and ADC images from 500 patients. Second, we introduce HWA-UNETR, a novel 3D segmentation framework that employs an original HWA block with learnable window aggregation layers to establish dynamic feature correspondences between different modalities’ anatomical structures, and leverages the innovative tri-orientated fusion mamba mechanism for context modeling and capturing long-range spatial dependencies. Extensive experiments on our GCM 2025 dataset and the publicly BraTS 2021 dataset validate the performance of our framework, demonstrating that the new approach surpasses existing methods by up to 1.68\% in the Dice score while maintaining solid robustness. The dataset and code are public via https://github.com/JeMing-creater/HWA-UNETR.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google