UNISELF：マルチプル・スケーローシス病変のセグメンテーションのためのインスタンス正規化と自己アンサンブル病変融合による統一ネットワーク

科学分野:

• 医用画像解析
• 医療における人工知能
• 神経画像

背景:

• MRIからの多発性硬化症（MS）病変の手動セグメンテーションは、時間がかかり、ばらつきが生じやすいです。
• 深層学習（DL）手法は、自動MS病変セグメンテーションにおいて最先端のパフォーマンスを提供しますが、異なるデータセット間での一般化には苦労します。
• 既存のDLモデルは、特に画像プロトコルやデータコントラストの欠損のばらつきがある場合、限られた単一ソースデータでトレーニングされると、高い精度を維持し、うまく一般化できないことがよくあります。

研究 の 目的:

• 正確で一般化可能な多発性硬化症（MS）病変の自動セグメンテーションのための新しい深層学習（DL）手法、UNISELFを開発すること。
• 現在のDLアプローチの限界を克服し、MS病変セグメンテーションのドメイン内精度とドメイン外一般化性能の両方を向上させること。
• マルチセンターおよびマルチプロトコルMRIデータセットにおけるドメインシフトとコントラスト欠損によってもたらされる課題に対処すること。

主な方法:

• UNISELFは、セグメンテーション精度を向上させるために、テスト時自己アンサンブル病変融合を利用します。
• この手法は、ドメインシフトを軽減し、入力コントラストの欠損を処理するために、潜在特徴のテスト時インスタンス正規化（TTIN）を組み込んでいます。
• モデルは、ISBI 2015縦断的MSセグメンテーションチャレンジトレーニングデータセットでトレーニングされました。

主要な成果:

• UNISELFは、ISBI 2015チャレンジテストデータセットでトップクラスのパフォーマンスを達成しました。
• この手法は、多様なドメイン外データセット（MICCAI 2016、UMCL、プライベートマルチサイト）全体で、ベンチマーク手法と比較して優れたパフォーマンスを示しました。
• UNISELFは、取得プロトコル、スキャナータイプ、および画像アーティファクトのばらつきに起因するドメインシフトとコントラスト欠損を効果的に処理しました。

結論:

• UNISELFは、トレーニングドメイン内で高い精度を達成し、多様なデータセット全体で強力な一般化性能を発揮する、自動MS病変セグメンテーションのための堅牢なソリューションを提供します。
• 提案手法は、テスト時自己アンサンブルとTTINを組み込むことにより、実際の臨床シナリオにおけるドメインシフトとコントラスト欠損を効果的に処理します。
• UNISELFは、自動MS病変セグメンテーションにおける重要な進歩を表しており、臨床アプリケーションのための効率と再現性の向上を提供します。