SGP-SAM：3Dセグメンテーション・モデルを病変セグメンテーションへ移行するための自己ゲート付きプロンプト

Abstract

Segment Anything Model（SAM）のような大規模セグメンテーション基盤モデルは、自然画像におけるプロンプト可能なセグメンテーションを大きく変え、近年ではこれらのモデルを医用画像やボリューム（3D）設定へ拡張する取り組みが進められてきました。しかし、3D SAMスタイルのモデルを患部（レジオン）セグメンテーションへ直接移植することは、(i) 中間特徴において小さく不規則な対象に対する空間表現能力が弱いこと、(ii) 3Dボリュームにおける前景と背景の極端な不均衡があること、のために依然として困難です。私たちは、3D患部セグメンテーションへの効率的かつ効果的な転移のための自己ゲーティング・プロンプティングフレームワークであるSGP-SAMを提案します。主要コンポーネントであるSelf-Gated Prompting Module（SGPM）は、条件付きのマルチスケール空間強調を実行します。軽量なマルチチャネルのゲーティングユニットが、現在の特徴に追加のマルチスケール融合が必要かどうかを予測し、その場合に限ってMulti-Scale Feature Fusion Blockを有効化して空間的文脈を豊かにします。さらに、小病変の学習課題に対処するために、Diceとボクセルにバランスしたfocal項を組み合わせることで、病変に焦点を当てた教師信号の重み付けを高めるZoom Lossを設計します。MSD Liver TumorおよびMSD Brain Tumor（腫瘍強調）での実験では、SAM-Med3Dに基づく強力な転移ベースラインに対して一貫した改善が示されました。MSD Liver Tumorにおいて、SGP-SAMは微調整（fine-tuning）に対してmDiceを7.3%改善します。