脳動脈瘤性くも膜下出血のセグメンテーションにおける転移学習のためのUnetベースのLoRA手法
Cristian Minoccheri1, Matthew Hodgman2, Haoyuan Ma3
1Gilbert S. Omenn Department of Computational Medicine and Bioinformatics, University of Michigan, 1109 Geddes Avenue, Arbor, MI, 48104, USA. minoc@umich.edu.
BMC medical imaging
|December 26, 2025
まとめ
転移学習と低ランク適応（LoRA）手法は、標準的なファインチューニングと比較して、脳動脈瘤性くも膜下出血（SAH）の自動セグメンテーションを大幅に改善する。新しいDoRAバリアントは、特に小さな出血に対して優れた精度を示し、より良い診断ツールを可能にする。
科学分野:
- 医用画像解析と深層学習。
- 神経学的救急診断。
- 計算神経画像。
背景:
- 脳動脈瘤性くも膜下出血（SAH）は、死亡率が高い重篤な状態である。
- 深層学習を用いたSAHの自動セグメンテーションは、データの不足や一般化の問題に直面している。
- 転移学習やLoRAのようなパラメータ効率の良い手法は、SAHに対して十分に調査されていない。
研究 の 目的:
- 脳動脈瘤性くも膜下出血（SAH）のセグメンテーションのために、外傷性脳損傷（TBI）CTスキャンからの転移学習を評価する。
- SAHセグメンテーションのために、新しいCP-LoRAおよびDoRAバリアントを含むLoRA手法の有効性を調査する。
- Unetアーキテクチャでこれらの手法と標準的なファインチューニングを比較する。
主な方法:
- 多施設共同のTBI CTデータで事前学習されたUnetモデルを実装した。
- 3分割交差検証を用いて、脳動脈瘤性SAHデータでモデルをファインチューニングした。
- 新しいCP-LoRAおよびDoRAバリアントを開発し、既存のLoRA手法および標準的なファインチューニングと比較した。
主要な成果:
- ファインチューニングなし（平均Dice 0.410）と比較して、すべての転移学習アプローチが優れていた。
- LoRAベースの手法、特にランク64のDoRA-Cが最高のパフォーマンス（Dice 0.572）を達成した。
- 出血量の増加に伴いセグメンテーション精度が向上し、より高いランク（64-96）がパフォーマンスを向上させた。
結論:
- 血腫タイプ間の転移学習は、SAHセグメンテーションにおいて実行可能かつ効果的である。
- LoRAベースの手法、特にDoRAバリアントは、従来のUnetファインチューニングを大幅に上回る。
- CP-LoRAのような新しい手法はパラメータ効率を提供し、より高いランクは臨床応用にとって有益である可能性がある。
