複数の部分的にラベル付けされたデータセットによる一般的な腹部多臓器セグメンテーションへ

科学分野:

• 医療用イメージング
• 人工知能
• コンピュータ・ビジョン

背景:

• 公開されている医療データセットは,普遍的なセグメンテーションモデルの開発を可能にします.
• 現在の方法は,部分的にラベル付けされたデータ,クロスサイトドメインのシフト,およびラベル付けされていないデータの不足と闘っています.

研究 の 目的:

• 新しい枠組みであるGAMOS (Generic Abdominal Multi-Organ Segmentation) を導入し,医療画像をしっかりと分割する.
• 部分的なラベリング,ドメインシフト,および医療セグメンテーションのタスクでラベルのないデータを活用する課題に取り組む.

主な方法:

• GAMOSは分散モデルと自己誘導戦略を統合し,部分的なラベル付けを行っています.
• 標識されていないデータを効果的に利用するために自己蒸留メカニズムが使用されます.
• 稀な意味記憶と稀な類似性喪失は,ドメインのシフトを緩和し,表現の一貫性を高める.

主要な成果:

• GAMOSは,標識された前景領域で平均91.33%のダイス類似度係数 (DSC) と平均95%のハウズドルフ距離 (HD95) を達成した.
• 標識されていない前面領域では,GAMOSは平均DSC86.88%と平均HD953.85を得ました.
• このフレームワークは,最先端の方法と比較して優れた性能と汎用性を示しました.

結論:

• GAMOSは一般的な腹部多臓器セグメント化のための強力なソリューションであり,部分的にラベル付けされたデータとラベル付けされていないデータで優れています.
• 提案された方法は,ドメインのシフトを効果的に対処し,多様な医療画像データセットの利用を改善します.