MedFlowSeg：周波数対応アテンションを用いたフローマッチングによる医用画像セグメンテーション

Abstract

フローマッチング（Flow matching）は、連続時間の輸送写像を学習するための原理に基づく枠組みとして近年注目されており、確率的拡散プロセスに依存することなく効率的に決定論的な生成を可能にします。生成モデリングは医療画像セグメンテーションにおいて、特に不確実性や複雑な解剖学的変動を捉える点で有望な結果を示してきましたが、既存のアプローチの多くは拡散モデルに基づいて構築されているため、反復的なサンプリングに伴う大きな計算オーバーヘッドが生じ、またUNetベースのパラメータ化に制約されることがしばしばあります。本研究では、MedFlowSeg を提案します。これは、条件付きフローマッチングの枠組みであり、医療画像セグメンテーションを、単純な事前分布を目標となるセグメンテーション分布へと輸送する、時間依存のベクトル場を学習する問題として定式化します。この定式化により、生成モデリングの表現力を維持したまま、ワンステップの決定論的推論が可能になります。さらに、学習されたフローに構造化された事前知識を組み込むためのデュアル・コンディショニング機構を開発します。具体的には、マルチスケールの構造情報をフローフィールドへ注入するデュアルブランチ空間注意（Dual-Branch Spatial Attention）モジュールと、空間表現とスペクトル表現の領域間相互作用を、不一致に着目した融合と時間依存のモジュレーションによってモデル化する周波数対応注意（Frequency-Aware Attention）モジュールを提案します。これらの構成要素により、グローバルな解剖学的構造と微細な境界の詳細の両方を捉える条件付きフローの効果的なパラメータ化が実現されます。複数の医療画像モダリティにまたがって大規模な実験的検証を行った結果、MedFlowSeg は拡散ベース手法と比べて計算コストを大幅に削減しつつ、最先端の性能を達成することを示します。本結果は、フローマッチングが、理論に裏付けられた計算効率の高い生成的医療画像セグメンテーションの代替手法となり得る可能性を示唆しています。