縦断的医用画像におけるセグメンテーションモデルのパーソナライズのための不確実性ガイド付きテスト時最適化

科学分野:

• 医用画像における人工知能
• ヘルスケアのための機械学習
• コンピュータ支援診断

背景:

• 縦断的医療スキャンの正確なセグメンテーションは、患者のモニタリングと治療にとって重要です。
• 現在のパーソナライズされたモデルは、固定されたトレーニング期間を使用しており、特に検証ラベルがない場合、最適な停止基準を欠いています。

研究 の 目的:

• セグメンテーションモデルの動的かつ患者固有のパーソナライゼーションのための不確実性ガイド付きテスト時最適化（TTO）フレームワークを開発すること。
• 予測不確実性に基づいた検証フリーの停止基準を可能にすること。

主な方法:

• 患者固有の事前スキャンとテスト時最適化を使用して、一般的なセグメンテーションモデルをパーソナライズしました。
• ボクセルごとの予測不確実性を推定するために、モンテカルロドロップアウト（TTO-MCD）とディープアンサンブル（TTO-DE）を利用しました。
• 膵臓、肝臓、頭頸部腫瘍のデータセットで評価し、固定エポックベースライン（Pre-TTO）と比較しました。

主要な成果:

• TTO手法は、複数のセグメンテーションメトリクス（DSC、HD95、MSD、LPS）において、Pre-TTOおよび非パーソナライズドベースラインを大幅に上回りました。
• 膵臓および肝臓のデータセットで統計的に有意な改善が観察されました（p < 0.05）。
• TTO-MCDおよびTTO-DEは、テスト時ラベルを必要とせずに高いパフォーマンスを達成しました。

結論:

• 不確実性ガイド付きTTOは、縦断的イメージングにおける患者固有のセグメンテーションモデルの最適化のための、堅牢で検証フリーのアプローチを提供します。
• このフレームワークは、さまざまなモダリティと解剖学的ターゲットにわたるセグメンテーション品質を向上させます。
• この手法は、医用画像におけるパーソナライズドAIの臨床展開をサポートします。