MEDICINE & AI

タイトル：FreqConvMamba: Frequency-guided hierarchical hybrid SSM-CNN for medical image segmentation DOI：10.1016/j.media.2026.104019 概　要： 本研究では、医療画像の正確なセグメンテーションを実現するために、新たな階層型ネットワーク「FreqConvMamba」を提案します。医療画像のセグメンテーションは、定量的な病気診断や治療計画、計算病理学において重要です。従来の畳み込みニューラルネットワーク（CNN）やMambaベースのアプローチにはそれぞれ利点と限界があります。FreqConvMambaは、周波数誘導の特徴抽出メカニズムを採用し、空間および周波数ドメインにおける局所情報とグローバル情報を同時にモデル化します。また、Haarウェーブレット変換を統合することで、特徴を異なる周波数成分に分解し、解剖学的境界などの細部の表現を強化します。さらに、周波数次元に沿った位置エンコーディングを組み込むFrequency Position Encoding（FPE）モジュールを導入し、周波数表現の識別性を保ちながら空間構造の認識を埋め込みます。実験結果は、5つの公的データセットにおいて、FreqConvMambaが最先端の手法を複数の性能指標で上回ることを示しています。 方　法： 本研究は、医療画像セグメンテーションのための新しい階層型ネットワーク「FreqConvMamba」を提案しています。特徴抽出には周波数誘導メカニズムを使用し、Haarウェーブレット変換を通じて異なる周波数成分に分解します。さらに、FPEモジュールを導入し、周波数次元における位置エンコーディングを行います。実験は、3つの画像モダリティにわたる5つの公的データセットで実施されました。 結　果： FreqConvMambaは、5つの公的データセットにおいて、最先端の手法を複数の性能指標で上回る結果を示しました。具体的な数値は記載されていませんが、提案手法の優位性が確認されています。 結　論： FreqConvMambaは、医療画像のセグメンテーションにおいて、周波数誘導の特徴抽出を通じて局所情報とグローバル情報を効果的にモデル化し、従来の手法を上回る性能を発揮することが示されました。このアプローチは、医療画像解析における新たな可能性を提供します。