ESICA：テキストによる誘導を活用したスケーラブルな3D医用画像セグメンテーションの枠組み

要旨: テキストにより導かれる3D医用画像セグメンテーションは、クラスベースおよび空間プロンプトベースのモデルに代わる柔軟な選択肢として、ユーザーが自然言語で関心領域を直接指定できるようにします。このパラダイムは、事前に定義されたラベルセットへの依存を回避し、あいまいな出力を減らし、臨床ワークフローにもより自然に適合します。しかし、既存のテキストに導かれる枠組みは、しばしば計算コストが高く、テキストのボリューム特徴とのアラインメントが弱く、微細な解剖学的詳細を捉えられません。そこで本研究では、これらの課題に対処する軽量かつスケーラブルな枠組みESICAを提案します。ESICAは、次の3つの革新によって実現します: (1) セマンティックなアラインメントを強化する、類似度行列に基づくマスク予測の定式化、(2) 正確な体積（ボリュメトリック）デコーディングのための、アダプタモジュールを備えた効率的な分解デコーダ、(3) 境界を鋭くし、不確実な領域を解消する二段階のリファインメント戦略です。学習の安定性と汎化性能を高めるために、ESICAは、ポジティブのみの事前学習を行った後、バランスを取ったファインチューニングに移行する、二段階のスキームを採用します。5つの画像モダリティ（CT、MRI、PET、超音波、顕微鏡）にまたがるCVPR BiomedSegFMベンチマークにおいて、ESICAは最先端のセグメンテーション精度を達成し、一方でコンパクトなESICA4 Liteは、はるかに少ないパラメータ数で同等のセグメンテーション性能を実現し、効率と精度のトレードオフで優位性を示します。本枠組みは、テキストに導かれるセグメンテーションを、効率的でスケーラブルかつ臨床導入可能なシステムへと前進させます。コードは https://github.com/mirthAI/ESICA にて公開予定です。