汎用視覚モデルだけで医用画像セグメンテーションは足りるのか：3データセット横断で見直す2次元MISの常識

TL;DR（結論）

• 医用画像セグメンテーションでは専用設計モデルが有利だと考えられがちですが、3種類の異なる2次元データセットで厳密比較すると、汎用視覚モデル群が多くの専用モデルを上回りました。
• 比較は11モデルを同一学習条件で揃え、精度だけでなく Grad-CAM による可視化も確認した点が重要で、単なる実装差や訓練差ではない傾向を示しています。
• 結論は「専用モデルは不要」ではなく、まず汎用視覚モデルを強い基準線として検証し、そのうえでデータ整備やOOD評価へ資源を回すほうが研究効率が高い、というものです。

なぜこの問題か

医用画像セグメンテーションは、診断支援や治療計画、計測自動化の基盤です。病変輪郭、ポリープ領域、心腔境界などをどこまで正確に切り出せるかで、後段の解析や臨床判断の安定性が大きく変わります。そのため、過去十年で医用画像向けに特化したアーキテクチャが大量に提案されてきました。低コントラスト、小さな解剖学的構造、データ不足、ノイズ、といった医療特有の難しさに合わせて、U-Net 系、Transformer 系、Mamba 系、KAN 系などがそれぞれ改良を重ねてきた流れがあります。

核心：何を提案したのか

提案の中心は、新モデルそのものではなく、2次元医用画像セグメンテーションに対する統制された横断比較です。対象は、医用画像向け専用アーキテクチャ群と、自然画像由来の汎用視覚モデル群です。専用側には U-Net、HiFormer、MISSFormer、Swin-UMamba、U-KAN が入り、汎用側には SegFormer-B3、SegNeXt-L、VWFormer の2バージョン、InternImage-T、TransNeXt-Tiny が含まれます。合計11モデルを、同じ評価環境へ乗せて比較しています。

続きはログイン/プランで閲覧できます。