MambaClinix：3D医療画像セグメンテーションを高精度かつ効率的に行うU-Netベースの新アーキテクチャ

August 6, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: MambaClinix: hierarchical gated convolution and mamba-based u-net for enhanced 3D medical image segmentation
Biomedical Signal Processing and Control｜被引用数: 1（2026年8月6日時点）

本記事では、3D医療画像セグメンテーションにおける課題を克服し、高性能と計算効率を両立する画期的な新アーキテクチャ「MambaClinix」についてご紹介します。従来のCNNとTransformerの限界を乗り越え、最新のMamba技術と独自に開発された階層型ゲート付き畳み込みネットワーク（HGCN）を組み合わせることで、診断精度向上に貢献するAIモデルの可能性を探ります。

研究サマリー（FINER & PICO）

Feasible実施可能性	新しいMambaClinixアーキテクチャは、既存のU-Netフレームワークに基づき、MambaとHGCNの統合により計算効率を向上させ、自己設定戦略で多様なデータセットに対応可能であるため、実用的である。
Ethical倫理面	本研究は、既存の医療画像セグメンテーションAIの計算効率と精度を向上させることを目指しており、倫理的な課題への直接的な言及はないものの、技術の向上は最終的に対象者への診断支援に貢献し得る。
Interesting面白さ	既存のCNNとTransformerの課題を克服し、Mambaアーキテクチャを医療画像セグメンテーションに応用し、さらに領域特化型損失を導入して精度を高める点は非常に興味深い。
Novel新規性	MambaベースのU-Netに階層型ゲート付き畳み込みネットワーク（HGCN）を適応的なステージワイズフレームワークで統合し、さらに領域特化型Tversky損失を導入した点が新規性である。
Relevant切実さ	医療画像セグメンテーションは診断精度向上に不可欠であり、MambaClinixは様々な解剖学的構造の精密な描写を可能にし、臨床現場での応用が期待される点で関連性が高い。
Measurable測定可能性	Dice類似度係数（DSC）や平均IoU（mIoU）といった確立された客観的な指標を用いて、5つのベンチマークデータセットでモデルの性能が定量的に評価されている。
Modifiable派生・改善	MambaClinixは適応的なステージワイズ設計を持ち、データセットの特性に合わせてネットワーク構造や損失関数のペナルティ係数を動的に調整できるため、高い変更可能性を持つ。
Structured文章構造	U字型（U-Net）アーキテクチャを基盤とし、エンコーダ部にHGCNとMambaブロックを適応的に配置、さらに領域特化型損失関数を導入するなど、明確な構造を持つ深層学習モデルである。
PICO / PECO対象・介入・比較・結果	対象者（P）：3D医療画像データ（CT/MRI）、介入（I）：MambaClinixを用いたセグメンテーション、比較（C）：CNNベース、Transformerベース、既存Mambaベースモデル、結果（O）：高精度かつ高効率なセグメンテーション性能の向上。

MambaClinixの誕生：3D医療画像AIの新たな地平

どうも、Beyond the Pixelです。深層学習、特に畳み込みニューラルネットワーク（CNN）とTransformerは、3D医療画像セグメンテーションの分野で目覚ましい進歩を遂げてきました。CNNはその局所的な特徴を捉える能力に優れていますが、その限定的な受容野（Receptive Field）は、複雑な臨床シナリオにおいてパフォーマンスを妨げる可能性がありました。一方、Transformerは長距離の依存関係をモデル化するのに優れていますが、計算コストが高く、訓練や展開に費用がかかるという課題がありました。最近提案されたState Space Model（SSM）に基づくMambaアーキテクチャは、線形計算複雑度を維持しつつ、長距離の依存関係を効率的にモデル化できるという利点を持っています。しかし、Mambaを医療画像セグメンテーションに適用した場合、臨床領域の正確な描写に不可欠な重要な局所的特徴を捉える点に欠陥があることが明らかになりました。この課題に対処するため、本研究では、適応的なステージワイズフレームワークで階層型ゲート付き畳み込みネットワーク（HGCN）とMambaを統合した、新しいU字型アーキテクチャ「MambaClinix」を提案しています。この設計により、計算効率と高次空間相互作用が大幅に向上し、医療画像における近接的および遠隔的関係の両方を効果的に捉えることが可能になります。特に、HGCNはTransformerのAttention機構を純粋な畳み込み構造で模倣し、高次空間相互作用を促進しながら、Transformerベースの手法に伴う計算複雑さを回避します。さらに、特定のピクセル領域を強調して自動セグメンテーション性能を向上させる領域特化型Tversky損失も導入し、モデルの意思決定プロセスを最適化しています。5つのベンチマークデータセットでの実験結果は、MambaClinixが低いモデル複雑度を維持しつつ、高いセグメンテーション精度を達成することを示しています。

**Figure 1.** Fig. 1. Overview of the proposed MambaClinix. a) MambaClinix employs a stage-wise design with automatic configuration capabilities. It integrates Hierarchical Gated Convolutional Networks (HGCN) in early stages and Mamba blocks in later stages to enhance feature extraction across spatial scales. Deep supervision is conducted at each scale to ensure precision. b) MambaClinix applies a region-specific Tversky loss that divides the input image into sub-regions, with tailored loss calculations for each to refine segmentation outcomes.解説: MambaClinixの全体像を示します。a) MambaClinixは、自動設定機能を備えたステージワイズ設計を採用しています。初期段階では階層型ゲート付き畳み込みネットワーク（HGCN）を、後期段階ではMambaブロックを統合し、空間スケール全体で特徴抽出を強化します。各スケールで高精度を確保するために深い監視が行われます。b) MambaClinixは、入力画像をサブ領域に分割し、それぞれの損失計算を調整してセグメンテーション結果を改善する領域特化型Tversky損失を適用します。

MambaClinixの革新的アーキテクチャ

MambaClinixは、医療画像セグメンテーションのために、HGCNとMambaを組み合わせた適応的なステージワイズモデリングフレームワークです。エンコーダの初期段階では、HGCNが採用され、高次空間相互作用を拡張し、正確な医療セグメンテーションに不可欠な詳細要素を捉えます。HGCNの相互作用順序の増加に伴う効果の減衰を緩和するため、エンコーダの後期段階ではHGCNの代わりにResidual Mambaモジュールが組み込まれ、計算効率を維持しつつ長距離依存関係の特徴を抽出します。HGCNはMambaブロックのセマンティック特徴を強化し、入力品質を向上させます。このステージワイズアプローチにより、モデルは医療画像内の近接的および遠隔的関係の両方をより深く理解することができ、臓器セグメンテーションや疾患検出といったタスクに不可欠です。MambaClinixは、nnU-Netの自己構成戦略を受け継ぎ、特定のデータセット特性に合わせてネットワーク構造を自動的に調整します。これにより、多様なデータセットの独自の要求に合わせてアーキテクチャが細かく調整され、その臨床的有効性が大幅に向上します。全体として、MambaClinixは、CNNの高次空間相互作用能力とSSMのグローバル依存関係抽出能力を適応的なステージワイズ設計によって統合します。これにより、臨床医療画像セグメンテーションにシームレスに統合される柔軟なフレームワークが提供され、手動介入が最小限に抑えられ、診断プロセスの自動化が強化されます。

**Figure 2.** Fig. 2. a) The residual Mamba block, which incorporates residual connections and layer normalization. b) The Hierarchical Gated Convolutional Network (HGCN) block. This example illustrates an HGCN with 3-order spatial interactions, featuring a high-order gated convolution (hgConv) of order 3 implemented through three recursive steps.解説: a) 残差接続と層正規化を組み込んだResidual Mambaブロックの構造を示します。b) 階層型ゲート付き畳み込みネットワーク（HGCN）ブロックの構造を示します。この例では、3回の再帰ステップで実装された3次高次ゲート付き畳み込み（hgConv）を持つHGCNを示しています。

階層型ゲート付き畳み込みネットワーク（HGCN）とResidual Mambaブロックの詳細

MambaClinixのエンコーダの初期段階に組み込まれたHGCNブロックは、純粋な畳み込み構造を通じて、3Dボリューム医療画像内の複雑な空間関係を捉えます。その核となる処理は、ゲート付き畳み込みメカニズムと再帰的プロセスを使用して効率的な高次空間相互作用を促進する、高次ゲート付き畳み込み（hgConv）層によって行われます。このHGCNは、相互作用を複数のレベルに拡張することで、自己Attentionメカニズムの計算負荷を回避し、医療画像における多レベルの空間依存関係を捉えるCNNの能力を強化します。hgConvは様々な臨床データシナリオに適応し、適応フレームワークとシームレスに統合されます。エンコーダの後期段階では、Residual MambaブロックがHGCNを置き換え、元のMambaの空間モデリング能力を強化するためにResidual接続とLayer Normalization（層正規化）を活用します。これは、HGCNブロックから出力されたグローバルな特徴を要約し、医療画像内の長距離依存関係を捉えるために配置されます。このブロックは、入力された特徴マップを処理し、Mambaブロックを通じて並列に二つのブランチで特徴を抽出します。一つは状態空間モデル（SSM）層を利用して縦方向の依存関係を捉え、もう一つはSSM層なしで線形関数とSiLU関数を通します。最終的に、これら二つのブランチからの特徴はアダマール積（Hadamard product）によって結合され、元の形状に再形成され、Residual接続を通じてネットワークに再統合されます。このアーキテクチャは、画像特徴の流れの連続性と完全性を維持し、ネットワーク全体への勾配伝播を促進します。

領域特化型Tversky損失関数の導入

医療画像解析において、Dice損失関数（Dice loss function）はセグメンテーションモデルの性能を評価するための確立された指標です。この関数は真陽性（TP）を最適化しつつ、偽陽性（FP）と偽陰性（FN）に均等にペナルティを課します。しかし、ボリューム医療画像においてターゲット臓器と背景との間に不均衡なデータが生じることが多く、予測が背景に偏り、FPよりもFNが増加する傾向があります。臨床現場では、たとえいくつかのFPが生じるとしても、潜在的な問題をすべて検出するために、高い再現率（FNの削減）が優先されます。例えば、肺CTスキャンで小さな結節を見逃すと、肺がん治療が遅れる可能性がありますが、FPは追加の手動レビューで修正できます。これに対処するために開発されたのがTversky損失関数です。Tversky損失関数は、FPとFNの間のトレードオフを制御するハイパーパラメータを持ち、FNエラーにより重点を置くことで再現率を向上させます。しかし、Tversky損失関数は、ターゲット領域と背景領域の両方のすべてのボクセルを一様に扱うため、総ボリュームの重複に焦点を当てています。このアプローチでは、異なるサブ領域間での多様なセグメンテーションの困難さが見過ごされます。この制限を克服するため、MambaClinixでは領域特化型損失関数を実装し、ボリューム医療画像内の特定のサブ領域の最適化に焦点を当てています。この方法では、訓練中に異なる領域に対するペナルティを動的に調整し、セグメンテーションがより困難なサブ領域により高い重みを割り当てることで、全体的な予測精度を向上させます。

MambaClinixの実験と評価

MambaClinixの有効性を評価するため、研究チームは医療画像セグメンテーション分野の既存モデルと比較分析を実施しました。比較対象モデルは、CNNベース、Transformerベース、Mambaベースの3つのグループに分類されました。パフォーマンスは、Dice類似度係数（DSC）と平均IoU（mIoU）といった指標を用いて評価されています。すべてのモデルはnnU-Netフレームワークを使用して実装され、公平な比較を確実にするため一貫した画像前処理が適用されました。実験には、PCD（肺循環CECT）、LungT（肺腫瘍CECT）、LiverT（肝腫瘍CT）、ABD（腹部CT）、BraTS（脳腫瘍MRI）の5つのベンチマークデータセットが用いられました。これらのデータセットは、多様な臨床シナリオと疾患領域を反映しています。

**Table 1.** Table 1. Summary of datasets. “Resampling” indicates the spatial resolution after preprocessing. “Tr/Va/Ts” denotes the data split into training (TR), validation (VA), and test sets (TS). “Labels” represents the number of target regions to be segmented.解説: データセットの概要を示します。「Resampling」は前処理後の空間分解能を示し、「Tr/Va/Ts」は訓練、検証、テストセットへのデータ分割を意味します。「Labels」はセグメンテーション対象のターゲット領域の数を示しています。

MambaClinixは、特定のデータセット特性に合わせてネットワーク構造を自動調整するnnU-Netの自己構成能力を受け継ぎます。例えば、エンコーダブロックの構成やバッチサイズ、パッチサイズなどがデータセットごとに最適化されます。

**Table 2.** Table 2. Self-configuration of MambaClinix according to specific dataset. For example, [ℋ, ℋ, ℋ, ℳ, ℳ, ℳ] denotes that the encoder’s first three stages are equipped with HGCN blocks, and the last three stages utilize Mamba blocks.解説: 特定のデータセットに応じたMambaClinixの自己設定を示します。例えば、[H, H, H, M, M, M]は、エンコーダの最初の3つのステージがHGCNブロックで、最後の3つのステージがMambaブロックを使用していることを示します。

LungTデータセットにおいて、MambaClinixは72.78%のDiceスコアを達成しました。これは、肺組織の高い変動性と類似した密度を考慮すると注目すべき結果であり、小さくコントラストの低い領域を正確にセグメンテーションする能力を示しています。ABDデータセットでは、MambaClinixが84.69%という最高のDiceスコアを達成しました。このデータセットでは訓練セットとテストセットが異なるデータソースから得られており、グローバルな特徴抽出と主要な特徴転送におけるモデルの堅牢性が強調されます。LiverTデータセットでは、異なる2つのソースからのデータが混合されており、MambaClinixは71.37%のDiceスコアを達成し、他のモデルを上回りました。これは、重大な構造的異常を持つ画像やマルチソースの医療画像に対する適応性を示しています。PCDおよびBraTSデータセットでは最高スコアではありませんでしたが、MambaClinixは依然として非常に競争力のある結果を出し、複雑な臨床シナリオにおける堅牢性を示しました。さらに、実験結果はMambaベースの手法がTransformerベースのモデルよりも少ないパラメータで高い計算効率を達成することを示しています。

**Table 3.** Table 3. Benchmark results of comparative medical image segmentation methods, measured in terms of DSC and mIoU scores. These results are based on comparisons across five datasets, with bold values indicating the best DSC score. “Pam” denotes the number of trainable parameters.解説: 比較医療画像セグメンテーション手法のベンチマーク結果を、DSCおよびmIoUスコアで測定したものです。これらの結果は5つのデータセットにわたる比較に基づいており、太字の値は最高のDSCスコアを示しています。「Pam」は訓練可能なパラメータの数を示しています。

例えば、SegResNetやLightM-UNetはさらに少ないパラメータを使用しますが、異なるデータソースに転用された際にパフォーマンスが著しく低下しました。これは、パラメータ数が少ないことがモデルの汎化能力に影響を与えたためと考えられます。対照的に、MambaClinixは最適なパラメータバランスを持ち、精度を向上させるだけでなく、多様なデータセットにわたる堅牢な汎化を保証します。

**Figure 3.** Fig. 3. Visual comparisons on a) PCD dataset and b) ABD dataset, highlighting areas with significant differences. The results show that MambaClinix can effectively recognize target positions and shapes.解説: a) PCDデータセットとb) ABDデータセットにおける視覚的比較を示し、顕著な違いのある領域を強調しています。MambaClinixがターゲットの位置と形状を効果的に認識できることを示しています。

**Figure 4.** Fig. 4. Visual comparisons on a) LiverT dataset and b) BraTS dataset, highlighting areas with significant differences.解説: a) LiverTデータセットとb) BraTSデータセットにおける視覚的比較を示し、顕著な違いのある領域を強調しています。

**Figure 5.** Fig. 5. Visualization of results. a) 3D visualization and detailed shapes of the liver tumors on the LiverT dataset; b) Segmentation results of the LungT dataset, including the spatial positioning of lung tumors.解説: 結果の視覚化です。a) LiverTデータセットにおける肝腫瘍の3D視覚化と詳細な形状を示しています。b) LungTデータセットのセグメンテーション結果で、肺腫瘍の空間的位置決めを含んでいます。

アブレーション研究によるMambaClinix各要素の有効性検証

MambaClinixアーキテクチャ内の異なるブロックの有効性を評価するため、BraTS、LiverT、LungTデータセットでアブレーション研究を実施しました。ベースラインモデルは、MambaClinixの特化されたMambaブロックとHGCNブロックを標準のResidualブロックに置き換えることで設定されました。このセットアップを対照として、様々なブロックを段階的に統合または置き換えて実験が行われ、各ブロックが全体のセグメンテーション性能にどのように寄与するかを体系的に評価しました。その結果、Mambaブロックをベースラインモデルに組み込むことで、特にBraTSデータセットのEnhancing Tumor（ET）セグメンテーションタスクにおいてDSCスコアが2.83向上するなど、パフォーマンスが大幅に改善しました。これは、Mambaが長距離の特徴を捉える能力により、ターゲット識別精度が向上したためと考えられます。HGCN単独での影響を評価するため、異なる相互作用順序を持つ3つのエンコーダ構成を構築しました。その結果、漸進的に順序が増加するHGCNブロックが優れた計算効率と低いFLOPs（浮動小数点演算数）を示しました。特にBraTSデータセットのWTセグメンテーションタスクでは、HGCN[2,3,4,5,6,6]が92.46のDiceスコアを達成し、他の構成を上回りました。この漸進的な順序設計は、初期段階でのよりシンプルなネットワーク構造が効率的な特徴抽出を促進し、後期段階でのより複雑な相互作用が広範なグローバル特徴を捉えることで、全体的なパフォーマンスを向上させる点で有利であることが証明されました。MambaとHGCNブロックをMambaClinixネットワーク内で組み合わせた場合も評価しました。MambaClinixの適応型モジュール機能により、データセット特性に基づいてU字型構造のステージ数を自動調整し、HGCNとMambaブロック間の統合を動的にカスタマイズできます。下位段階（この研究では最初の3段階）では漸進的に順序が増加するHGCNブロックを使用し、上位段階（最後の3段階）ではMambaブロックを採用しました。徹底したアブレーション研究のために、異なる空間相互作用順序を持つ下位段階のHGCNブロックの3つの異なる組み合わせ（HGCN[4,4,4]、HGCN[4,5,6]、HGCN[2,3,4]）をテストしました。また、Mambaブロックが最終段階にボトルネックとして配置された構成（HGCN[2,3,4] + Mamba (bot)）も評価しました。実験結果は、MambaとHGCNブロックの組み合わせが、それぞれを単独で使用するよりも優れた性能をもたらすことを示しました。BraTSデータセットのWTセグメンテーションタスクを除き、結合モデルは他のすべてのタスクで一貫して最高の結果を出しました。さらに、このハイブリッドアプローチは、パラメータ効率の面でも優位性を示しています。

**Table 4.** Table 4. Ablation study for different modeling blocks, measured using DSC score [%]. FLOPs denotes floating point operations, with units in gigabytes [GB].解説: 異なるモデリングブロックに関するアブレーション研究を、DSCスコア（%）で測定したものです。FLOPsはギガバイト（GB）単位の浮動小数点演算数を示しています。

領域特化型損失関数の効率性

この実験では、交差エントロピー（CE）とDiceを組み合わせた複合損失関数をベースラインとして確立しました。さらに、画像ボリュームをサブ領域に分割し、各サブ領域の予測を個別に最適化するために領域特化型Dice損失計算（Baseline(RS)）を適用しました。次に、FPとFNのペナルティ係数をそれぞれ0.3と0.7に固定したTversky損失項（LTRS）を組み込みました。最後に、これらのペナルティ係数の適応戦略を導入し、MambaClinixの最終的な損失関数を形成しました。実験結果は、損失関数に領域特化型メカニズムを組み込むことで、セグメンテーション性能が向上することを示しています。例えば、ABDデータセットでは、領域特化型損失により、十二指腸セグメンテーションのDSCスコアが4.03、大動脈セグメンテーションのDSCスコアが2.56増加しました。FNエラーに重いペナルティを課したTversky損失を適用した場合、再現率が向上しましたが、DSCはわずかに低下しました。PCDデータセットでは、肺動脈（PA）セグメンテーションの再現率が1.66増加しましたが、DSCは1.76低下しました。しかし、このトレードオフは、重要なターゲットを見逃すことを避け、誤診のリスクを減らすために再現率を優先する臨床現場では許容されます。MambaClinixがFPとFNのペナルティを適応的にバランスさせると、より良い最適化が達成され、DSCと再現率の両方が向上します。さらに、ターゲット領域の画像全体に対する比率を計算し、領域特化型損失関数を使用するモデルの性能との相関関係を調べました。この比率が比較的小さい場合、例えばLungTおよびLiverTデータセットの肺腫瘍および肝腫瘍セグメンテーションタスクに見られるように、領域特化型損失関数はモデルの学習能力を大幅に向上させ、セグメンテーション結果を改善します。肺腫瘍セグメンテーションではDSCが4.72、肝腫瘍セグメンテーションではDSCが2.6向上しました。対照的に、ターゲット領域の比率が大きい場合、領域特化型損失関数によるモデル性能の向上はそれほど顕著ではありません。さらに、領域特化型戦略をTversky損失関数に組み込むことで、再現率が著しく向上し、DSCにも良い影響を与えることがわかりました。

MambaClinixの結論と今後の展望

本研究では、適応的なステージワイズフレームワーク内でHGCNとMambaブロックを統合した、新しいU字型医療画像セグメンテーションモデル「MambaClinix」を提案しました。MambaClinixアーキテクチャは、異なるデータセットに自己適応的に構成することができ、領域特化型戦略を適用することで、多様な臨床セグメンテーションタスクにおいて有望なツールとして位置づけられます。複数のデータセットにおける実験結果は、MambaClinixがTransformerベースの手法と比較して優れた計算効率を提供し、他の最先端のセグメンテーションモデルを大幅に上回ることを示しています。この研究は、医療画像診断の精度と効率を向上させる上で、深層学習モデルの設計における重要な進歩を意味します。

用語集

CNN (Convolutional Neural Network): 畳み込み層を使用し、主に局所的な特徴を抽出する深層学習モデル。画像認識に広く使われる。
Transformer: Attention機構を用いてデータ内の長距離依存関係を捉える深層学習モデル。自然言語処理で登場し、画像分野にも応用される。
Mamba: State Space Model（SSM）に基づき、長距離依存関係を効率的にモデル化する新しいアーキテクチャ。計算効率が高い。
U-Net: 医療画像セグメンテーションに特化した深層学習アーキテクチャで、U字型のエンコーダ・デコーダ構造を持つ。
HGCN (Hierarchical Gated Convolutional Network): 本研究で提案された階層型ゲート付き畳み込みネットワーク。畳み込み構造で高次空間相互作用を模倣し、長距離依存関係を効率的に捉える。
State Space Model (SSM): 時系列データなどをモデル化する数学的フレームワーク。Mambaアーキテクチャの基盤技術。
Tversky損失関数 (Tversky Loss Function): Dice損失を発展させ、偽陽性（FP）と偽陰性（FN）に異なる重み付けをすることで、臨床的優先度に応じた最適化を可能にする損失関数。
Dice類似度係数 (DSC): セグメンテーション結果の正確さを測る指標。予測された領域と真の領域の重なり具合を示す。
mIoU (mean Intersection over Union): セグメンテーション性能のもう一つの指標。予測と真の領域の共通部分を結合部分で割った値の平均。
受容野 (Receptive Field): ニューラルネットワークの特定の層のニューロンが、入力画像上のどの範囲の情報を「見ているか」を示す領域。
自己Attentionメカニズム (Self-Attention Mechanism): データ内の異なる位置にある要素間の関連性を重み付けして捉えるメカニズム。Transformerの核となる要素。