日本語タイトル#
MLRU++：注意機構を備えたマルチスケール軽量残差 UNETR++ による効率的な 3D 医療画像セグメンテーション
英文タイトル#
MLRU++: Multiscale Lightweight Residual UNETR++ with Attention for Efficient 3D Medical Image Segmentation
日本語要約#
正確で効率的な医療画像セグメンテーションは、解剖学的変異性や体積データに対する高い計算要求のために挑戦的です。最近のハイブリッド CNN-Transformer アーキテクチャは最先端の結果を達成していますが、著しい複雑さを追加します。本論文では、セグメンテーション精度と計算効率のバランスを取ることを目的とした MLRU++、マルチスケール軽量残差 UNETR++ アーキテクチャを提案します。最小限のオーバーヘッドで文脈特徴エンコーディングを強化する軽量チャネルおよびボトルネック注意モジュール（LCBAM）と、多解像度特徴集約を通じて細かい詳細をキャッチするデコーダ内のマルチスケールボトルネックブロック（M2B）の 2 つの重要な革新を導入しています。4 つの公開ベンチマークデータセット（Synapse、BTCV、ACDC、Decathlon Lung）での実験により、MLRU++ は最先端の性能を達成し、平均 Dice スコアはそれぞれ 87.57%（Synapse）、93.00%（ACDC）、81.12%（Lung）でした。既存の先進モデルと比較して、MLRU++ は Synapse および ACDC でそれぞれ 5.38% および 2.12% の Dice スコアを改善し、同時にパラメータ数と計算コストを大幅に削減しました。LCBAM および M2B を評価するアブレーション研究は、提案されたアーキテクチャコンポーネントの有効性をさらに確認しました。結果は、MLRU++ が 3D 医療画像セグメンテーションタスクに対して実用的で高性能なソリューションを提供することを示唆しています。ソースコードは以下の場所で入手可能です：https://github.com/1027865/MLRUPP
英文要約#
Accurate and efficient medical image segmentation is crucial but challenging due to anatomical variability and high computational demands on volumetric data. Recent hybrid CNN-Transformer architectures achieve state-of-the-art results but add significant complexity. In this paper, we propose MLRU++, a Multiscale Lightweight Residual UNETR++ architecture designed to balance segmentation accuracy and computational efficiency. It introduces two key innovations: a Lightweight Channel and Bottleneck Attention Module (LCBAM) that enhances contextual feature encoding with minimal overhead, and a Multiscale Bottleneck Block (M2B) in the decoder that captures fine-grained details via multi-resolution feature aggregation. Experiments on four publicly available benchmark datasets (Synapse, BTCV, ACDC, and Decathlon Lung) demonstrate that MLRU++ achieves state-of-the-art performance, with average Dice scores of 87.57% (Synapse), 93.00% (ACDC), and 81.12% (Lung). Compared to existing leading models, MLRU++ improves Dice scores by 5.38% and 2.12% on Synapse and ACDC, respectively, while significantly reducing parameter count and computational cost. Ablation studies evaluating LCBAM and M2B further confirm the effectiveness of the proposed architectural components. Results suggest that MLRU++ offers a practical and high-performing solution for 3D medical image segmentation tasks. Source code is available at: https://github.com/1027865/MLRUPP
PDF 取得#
抖音でさらに素晴らしいコンテンツを見るには QR コードをスキャンしてください