[論文レビュー] Explainable Continuous-Time Mask Refinement with Local Self-Similarity Priors for Medical Image Segmentation

Rajdeep Chatterjee, Sudip Chakrabarty+1 more|arXiv (Cornell University)|Feb 28, 2026

Cutaneous Melanoma Detection and Management被引用数 0

ひとこと要約

本論文は Local Structural Similarity priors と連続時間 Liquid Time-Constant refinement loop を統合した境界認識に優れた足潰瘍セグメンテーションモデル LSS-LTCNet を提案し、25.70M パラメータで最先端の境界精度（HD95 8.91 px、Dice 86.96%）を達成する。

ABSTRACT

Accurate semantic segmentation of foot ulcers is essential for automated wound monitoring, yet boundary delineation remains challenging due to tissue heterogeneity and poor contrast with surrounding skin. To overcome the limitations of standard intensity-based networks, we present LSS-LTCNet:an ante-hoc explainable framework synergizing deterministic structural priors with continuous-time neural dynamics. Our architecture departs from traditional black-box models by employing a Local Self-Similarity (LSS) mechanism that extracts dense, illumination-invariant texture descriptors to explicitly disentangle necrotic tissue from background artifacts. To enforce topological precision, we introduce a Liquid Time-Constant (LTC) refinement module that treats boundary evolution as an ODEgoverned dynamic system, iteratively refining masks over continuous time-steps. Comprehensive evaluation on the MICCAI FUSeg dataset demonstrates that LSS-LTCNet achieves state-of-the-art boundary alignment, securing a peak Dice score of 86.96% and an exceptional 95th percentile Hausdorff Distance (HD95) of 8.91 pixels. Requiring merely 25.70M parameters, the model significantly outperforms heavier U-Net and transformer baselines in efficiency. By providing inherent visual audit trails alongside high-fidelity predictions, LSS-LTCNet offers a robust and transparent solution for computer-aided diagnosis in mobile healthcare (mHealth) settings.

研究の動機と目的

• 変動照明と組織異質性の下での正確な創傷境界の delineation の課題に対処する。
• 初期エンコーダ機能に deterministic な Local Structural Similarity (LSS) priors を統合して組織境界をアンカー化する。
• ボトルネックでのLiquid Time-Constant (LTC) 連続時間ダイナミクスに基づくボトルネック-refinement ループを導入し、反復的なマスク改良を行う。
• LSS由来の組織 priors を可視的な監査トレイルとして露出させることで、本質的な前向き説明可能性を提供する。

提案手法

• エンコーダへ局所パッチ相関統計を注入する Additive Local Structural Similarity (LSS) Fusion を追加。
• LSS Extractor は局所近傍内のパッチ間コサイン類似度を計算し、小さな畳み込みを介してエンコーダへマッピングされた LSS マップを構築する。
• LTC refinement loop はボトルネックで連続時間 ODE を解き、デコーダを導く refinement トークンを反復的に更新する。
• Boundary Alignment Loss (BAL) は 予測マップの Sobel 勾配と LSS 由来の平均チャネルとの間の MSE を用いて、トポロジー整合性のある境界を強制する。
• 訓練を安定化させ、マルチスケール学習を促進するための補助ヘッドによる深層教師付き学習。

実験結果

リサーチクエスチョン

• RQ1 決定論的な LSS priors は従来の CNN/ViT ベースラインを超える足潰瘍の境界セグメンテーションを改善できるか？
• RQ2 BAL 項は LSS と LTC の成分を協調させ、境界の精度と Dice スコアを向上させるか？
• RQ3 LSS マップを介して組織形態と整合する説明可能性を本質的に提供できるか？

主な発見

• LSS-LTCNet は MICCAI FUSeg バリデーション set で Dice 86.96%、IoU 79.54% を達成。
• HD95 は 8.91 ピクセルで、次点ベースラインより約 30% 改善。
• モデルは 25.70M パラメータで、より重厚な U-Net やトランスフォーマーベースのベースラインより高い効率を示す。
• アブレーション実験では BAL なしで LSS と LTC を追加すると Dice が 76.18%に低下し、BAL の重要性を示唆。
• 決定論的な LSS マップ（Mean、Max、Boundary Std）によってセグメンテーションを導く説明可能性が提供される。