TFCNs：医療画像セグメンテーションのためのCNN-Transformerハイブリッドネットワーク

医用画像セグメンテーションは、医用情報解析における最も基本的なタスクの一つである。これまでに、U-NetやFC-DenseNetなど、多数の深層学習ベースの手法が提案されてきた。しかし、医用画像に内在する拡大および歪みの影響に加え、正常組織と類似した密度を示す病変が存在するため、高精度な医用画像セグメンテーションは依然として極めて困難な課題である。本論文では、FC-DenseNetにResLinear-Transformer（RL-Transformer）とConvolutional Linear Attention Block（CLAB）を導入することで、この問題に取り組むためのTFCNs（Transformers for Fully Convolutional denseNets）を提案する。TFCNsは、CT画像からより多くの潜在的な情報を抽出できるだけでなく、CLABモジュールを介してセマンティック特徴を効果的に捉え、伝達するとともに、非セマンティック特徴をより効果的にフィルタリングすることが可能である。実験結果から、TFCNsはSynapseデータセットにおいてDiceスコア83.72%という最先端の性能を達成することが示された。さらに、COVID-19公開データセットを用いて、病変領域の影響に対するTFCNsのロバスト性も評価した。本研究のPythonコードは、https://github.com/HUANGLIZI/TFCNsにて公開される予定である。