概要 医療画像セグメンテーションは臨床診断と治療計画において重要です。しかし、従来のCNNベースの手法は、特に複雑またはあいまいな解剖学的領域において、グローバルコンテキストを捉えることやノイズに対処することがしばしば困難です。これらの制限に対処するために、我々はトランスフォーマーと拡散モデルの強みを活かしたハイブリッドフレームワークを提案します。本研究では、条件付き拡散モデル、二値クロス変換器、および適応型特徴融合ブロックを統合した新しいトランスフォーマー誘導拡散セグメンテーションフレームワークであるTransDiff‐HiSegを紹介します。このフレームワークは、堅牢な特徴抽出とノイズ抑制のための畳み込みとトランスフォーマーブロックで構成された並列エンコーダと、高解像度のセグメンテーションを再構成するためのスタックされた畳み込みブロックのデコーダを含んでいます。我々のモデルは、計算オーバーヘッドを減少させながらセグメンテーション精度を向上させることで持続可能な医療を強調し、長期的な臨床統合に適したものとなっています。多臓器および脳腫瘍セグメンテーションタスクに関する広範な実験により、TransDiff‐HiSegは常に最先端の手法を上回り、優れたDice、Accuracy、およびHD95スコアを達成し、軽量な影響を維持しました。これらの結果は、現実の医療画像セグメンテーションシナリオにおける我々のアプローチの有効性と持続可能性を検証します。
Vermaら（Sun）はこの問題を研究しました。