腹部動脈および静脈のビジョン・トランスフォーマーとドメイン適応を用いた3次元セグメンテーション

科学分野:

• 医用画像
• 人工知能
• コンピュータビジョン

背景:

• CTスキャンにおける3D腹部血管構造の正確なセグメンテーションは、臨床用途に不可欠ですが、一般化とデータ依存性に課題があります。
• 既存の方法は、ドメイン間特徴アライメントに苦労しており、広範な注釈付きデータセットを必要とします。

研究 の 目的:

• 3D CTスキャンにおける動脈および静脈の正確で汎用性の高いセグメンテーションのための、堅牢なトランスフォーマーベースのフレームワークを開発すること。
• 医用画像セグメンテーションを強化するために、自己教師あり事前学習と敵対的ドメイン適応を統合すること。

主な方法:

• 階層的特徴学習のための3D CTスキャンでのマスクオートエンコーダー（MAE）事前学習を利用する新しいフレームワーク、Adaptive MAE-UNETR。
• 敵対的ドメイン適応を備えたUNETRセグメンテーションネットワークに事前学習済みエンコーダーを転送し、ソースドメインとターゲットドメイン間の特徴分布を整列させます。
• 提案されたフレームワーク内で、セグメンテーション精度とドメイン不変性を同時に最適化します。

主要な成果:

• Adaptive MAE-UNETRは、3つの公開データセット（AMOS22、BTCV、FLARE23）で最先端のパフォーマンスを達成しました。
• AMOS22では、大動脈で0.924、下大静脈（IVC）で0.892という高いダイス類似係数（DSC）スコアを示しました。
• ドメイン間テストで一貫して優れた性能を発揮し、BTCVで0.917/0.888、FLARE23で0.931/0.906のDSCスコアを達成しました。

結論:

• 提案されたAdaptive MAE-UNETRフレームワークは、3D CT画像における腹部血管セグメンテーションの精度と一般化を大幅に向上させます。
• MAE事前学習と敵対的ドメイン適応の統合は、医用画像セグメンテーションの課題に対する堅牢なソリューションを提供します。
• この方法は、従来の С abordagem を上回る、多様なデータセット全体で一貫したパフォーマンスを示しています。