多系列心臓MRIにおける分散外挿クラス不均衡認識ドメイン適応心筋セグメンテーション

科学分野:

• 医用画像
• 人工知能
• 心臓病学

背景:

• 心臓MRIにおける自動心筋セグメンテーションは、ベンダーやプロトコル間のばらつきにより、重要であるが困難である。
• 既存の方法は、異なるMRIシーケンス（cine、T1マッピング、LGE）やスキャナータイプ全体での一般化に苦労している。

研究 の 目的:

• マルチベンダー心臓MRIデータ全体で堅牢な心筋セグメンテーションを実現するための、教師なしドメイン適応アプローチを開発すること。
• シーケンス固有のアノテーションなしで、異なるMRIシーケンス全体で一貫したセグメンテーションパフォーマンスを可能にすること。

主な方法:

• クラス不均衡自己訓練戦略を利用した教師なしドメイン適応フレームワークを提案した。
• セグメンテーション精度の反復的改善のための、ハードネス認識疑似ラベリングアプローチを実装した。
• データ不足を軽減し、共同トレーニングを強化するために、分散ガイド近傍特徴外挿を採用した。

主要な成果:

• 提案されたフレームワークは、既存の方法と比較して優れたパフォーマンスを示しました。
• ダイス係数とハウスドルフ距離の指標によって証明されるように、セグメンテーション精度が大幅に向上しました。
• この方法は、シーケンス固有の手動アノテーションを必要とせずに、クロスプロトコル心臓評価を可能にします。

結論:

• 教師なしドメイン適応アプローチは、心臓MRIのための堅牢で一般化可能な心筋セグメンテーションを提供する。
• この技術は、現在の方法の限界に対処し、多様なデータセット全体でより効率的で正確な心臓分析を促進する。
• このフレームワークは、心臓病学における自動診断と治療計画の改善の可能性を秘めている。