Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

MambaX-Net: Dual-Input Mamba-Enhanced Cross-Attention Network for Longitudinal MRI Segmentation

Created by
  • Haebom
Category
Empty

저자

Yovin Yahathugoda, Davide Prezzi, Piyalitt Ittichaiwong, Vicky Goh, Sebastien Ourselin, Michela Antonelli

개요

저자들은 저등급 및 중간 위험 전립선암 관리를 위한 적극적 감시(AS) 과정에서 전립선 분할을 자동화하기 위한 새로운 반지도, 이중 스캔 3D 분할 아키텍처인 MambaX-Net을 제안합니다. 이 모델은 이전 시점의 MRI와 분할 마스크를 활용하여 시간 t에서의 분할을 계산하며, Mamba 블록을 교차 주의에 통합하여 시간적 진화를 효율적으로 포착하고 장거리 공간 종속성을 파악하는 Mamba-enhanced Cross-Attention Module과 이전 분할 마스크를 잠재 해부학적 표현으로 인코딩하는 Shape Extractor Module을 도입합니다. 또한, 사전 훈련된 nnU-Net에서 생성된 유사 레이블을 활용하는 반지도 자체 훈련 전략을 사용하여 전문적인 주석 없이도 효과적인 학습을 가능하게 합니다. MambaX-Net은 종적 AS 데이터 세트에서 평가되었으며, 제한적이고 노이즈가 있는 데이터로 훈련된 경우에도 최첨단 U-Net 및 Transformer 기반 모델보다 우수한 전립선 구역 분할 성능을 보였습니다.

시사점, 한계점

•
시사점:
◦
AS 과정 자동화를 위한 전립선 분할 정확도 향상.
◦
시간적 진화와 장거리 공간 종속성을 효율적으로 포착하는 새로운 아키텍처 제안.
◦
전문적인 주석 없이도 효과적인 학습을 가능하게 하는 반지도 학습 전략 도입.
◦
제한된 데이터 환경에서도 우수한 성능을 보이는 모델 개발.
•
한계점:
◦
논문에 제시된 한계점은 명시되지 않음. (하지만 일반적으로, 모델의 일반화 성능, 데이터 의존성, 특정 환자군에 대한 적용 가능성 등이 한계점으로 고려될 수 있음.)
👍
Made with Slashpage