SPA-UNET：融合したマルチスケール機能に基づく肝臓腫瘍セグメンテーションネットワーク

肝臓腫瘍のセグメンテーションは、肝臓がんの診断と治療において重要な部分です。U字型の畳み込みニューラルネットワーク（UNET）は、医療画像のセグメンテーションに大きな進歩を遂げていますが、課題は腫瘍の境界を正確にセグメント化し、小さな腫瘍を検出することに残り、セグメンテーションの精度が低くなります。肝臓腫瘍のセグメンテーション精度を改善するために、この研究では、エンコーダーデコダーアーキテクチャを備えた新しい画像セグメンテーションネットワークであるスペースピラミッド注意（SPA）-Unetを提案します。SPA-UNETは、（1）空間ピラミッド畳み込みブロック（SPCB）の4つのモジュールで構成されており、3セットの拡張畳み込みを異なる速度で融合させることにより、マルチスケール機能を抽出します。（2）空間ピラミッドプーリングブロック（SPPB）、画像サイズを縮小するためにダウンサンプリングを実行します。（3）モジュールをアップサンプル、密な位置情報とセマンティック情報を統合します。（4）残留注意ブロック（RAブロック）、正確な腫瘍の局在化を可能にします。エンコーダには、コンテキスト情報をキャプチャするために5つのSPCBと4つのSPPBが組み込まれています。デコーダーは、アップサンプルモジュールとRAブロックで構成され、最後にセグメンテーションヘッドは肝臓と肝臓の腫瘍のセグメント化された画像を出力します。肝臓腫瘍セグメンテーションデータセットを使用した実験は、SPA-UNETが従来のUNETモデルを上回り、肝臓と腫瘍の結合指標よりもそれぞれ1.0および2.0％の改善を達成し、リコール率の増加を1.2および1.8％達成することを示しています。これらの進歩は、肝臓がんの診断と治療のための信頼できる基盤を提供します。

Liver tumor segmentation is a critical part in the diagnosis and treatment of liver cancer. While U-shaped convolutional neural networks (UNets) have made significant strides in medical image segmentation, challenges remain in accurately segmenting tumor boundaries and detecting small tumors, resulting in low segmentation accuracy. To improve the segmentation accuracy of liver tumors, this work proposes space pyramid attention (SPA)-UNet, a novel image segmentation network with an encoder-decoder architecture. SPA-UNet consists of four modules: (1) Spatial pyramid convolution block (SPCB), extracting multi-scale features by fusing three sets of dilated convolutions with different rates. (2) Spatial pyramid pooling block (SPPB), performing downsampling to reduce image size. (3) Upsample module, integrating dense positional and semantic information. (4) Residual attention block (RA-Block), enabling precise tumor localization. The encoder incorporates 5 SPCBs and 4 SPPBs to capture contextual information. The decoder consists of the Upsample module and RA-Block, and finally a segmentation head outputs segmented images of liver and liver tumor. Experiments using the liver tumor segmentation dataset demonstrate that SPA-UNet surpasses the traditional UNet model, achieving a 1.0 and 2.0% improvement in intersection over union indicators for liver and tumors, respectively, along with increased recall rates by 1.2 and 1.8%. These advancements provide a dependable foundation for liver cancer diagnosis and treatment.