X-Net: 深層分離畳み込みと長距離依存関係に基づく脳梗塞病変セグメンテーション

脳卒中の発症率は過去数年間で急速に上昇しています。専門家が病変の測定と治療計画を支援するために、臨床実践において自動セグメンテーション手法の導入が急務となっています。最近では、深層学習に基づくアプローチや文脈情報抽出法が多くの画像セグメンテーションタスクで活用されています。しかし、これらの手法の性能は、大量のパラメータの不十分な学習により制限され、長距離依存関係を捕捉できないことがあります。これらの問題に対処するため、私たちは深度別分離畳み込みを基盤とするX-Netを提案します。このネットワークは非局所操作であるFeature Similarity Module（FSM）を設計し、長距離依存関係を捕捉します。採用された深度別畳み込みによりネットワークサイズを削減でき、開発されたFSMはより効果的な密接な文脈情報抽出を提供し、より優れたセグメンテーションを可能にします。X-Netの有効性は、Anatomical Tracings of Lesions After Stroke（ATLAS）というオープンデータセット上で評価され、他の6つの最先端手法と比較して優れた性能が達成されました。私たちのコードとモデルは https://github.com/Andrewsher/X-Net で公開しています。