MEDICINE & AI

タイトル：MambaMIM: Pre-training Mamba with state space token interpolation and its application to medical image segmentation. 雑誌名：Med Image Anal. 2025 Jul; 103: 103606. 概　要： 本研究では、長いシーケンスのモデリング能力を持つ状態空間モデルMambaを用いた新しい事前学習フレームワークMambaMIMを提案します。Mambaは3D医療画像における長シーケンス視覚タスクに特化していますが、既存の生成的自己教師あり学習法は、マスクされたモデリングにおける状態空間シーケンスの因果特性を十分に活用していません。MambaMIMは、マスクされたシーケンス内の因果関係を学習するための新しいTOKen-Interpolation戦略に基づくマスク画像モデリング手法です。また、異なるアーキテクチャ間でマスキングの一貫性を維持するためのボトムアップ3Dハイブリッドマスキング戦略を導入しています。6.8KのCTスキャンの大規模データセットで事前学習を行い、8つの公的医療セグメンテーションベンチマークで性能を評価しました。 方　法： 本研究は、6.8KのCTスキャンを用いた大規模データセットでMambaMIMを事前学習するコホート研究です。MambaMIMは、状態空間内の因果関係を学習するためのTOKen-Interpolation戦略を採用し、ボトムアップ3Dハイブリッドマスキング戦略を導入しています。評価は、8つの公的医療セグメンテーションベンチマークで行われました。 結　果： MambaMIMを用いたカスタマイズアーキテクチャ（MedNeXtとVision Mambaのハイブリッド）では、最先端のセグメンテーション性能を一貫して達成しました。下流の実験により、Mambaを用いた医療画像の事前学習の実現可能性と進展が示されました。 結　論： MambaMIMは、医療画像セグメンテーションにおける性能を向上させるための有望な手法であり、状態空間モデルの潜在能力を最大限に引き出すことができることが示されました。