ADAM-Net: MGセグメンテーションとMGDグレーディングのための解剖学的誘導型注意機構付き教師なしドメイン適応

科学分野:

• 眼科学
• 医用画像処理
• 人工知能

背景:

• マイボーム腺機能不全（MGD）は、乾性角結膜炎の主な原因です。
• 深層学習（DL）はMGD評価を改善しましたが、異なる画像デバイス間でのドメインシフトに苦労しています。
• 既存のDL手法は、MGセグメンテーションとMGD分類を別々のタスクとして扱うことがよくあります。

研究 の 目的:

• 自動化されたMGD評価のための堅牢なマルチタスク深層学習フレームワークを開発すること。
• 多施設医療画像データセットにおけるドメインシフトの問題に対処すること。
• マイボーム腺のセグメンテーションとMGD分類を共同でモデル化すること。

主な方法:

• 注意機構誘導型教師なしドメイン適応マルチタスクフレームワークであるADAM-Netを提案しました。
• 構造認識型マルチタスク学習と解剖学的誘導型注意機構を導入しました。
• MGD-1K→{K5M, CR-2, LV II}データセットでクロスドメインパフォーマンスを評価しました。

主要な成果:

• ADAM-Netは、ターゲットドメインで77.93%、74.86%、81.77%の分類精度を達成しました。
• 主流の教師なしドメイン適応（UDA）手法を大幅に上回りました。
• F1スコア、MCCスコア、t-SNEの可視化によって検証された、堅牢な識別能力とクロスドメイン特徴アラインメントを示しました。

結論:

• ADAM-Netは、多施設シナリオにおける自動化されたMGD評価のための効果的かつ堅牢なソリューションを提供します。
• このフレームワークは、強力な解釈可能性を示し、ドメインシフトの課題に対処します。
• セグメンテーションと分類を共同でモデル化することにより、パフォーマンスと堅牢性が向上します。