MedSAMを使用した眼科セグメンテーションの不確実性認識トレーニング
Christopher William Clark1, Scott Kinder1, Giacomo Nebbia1
1University of Colorado School of Medicine, Aurora CO, USA.
Translational vision science & technology
|February 17, 2026
まとめ
不確実性認識トレーニング (UAT) は,学習を導くために不確実性マップを使用して,ディープラーニング (DL) モデルを改善します. この方法は,訓練中に曖昧な領域に焦点を当てることで,眼科のセグメンテーションの精度を高めます.
科学分野:
- 眼科イメージング分析
- 医療のディープラーニング
- 不確実性の定量化について
背景:
- ディープラーニング (DL) モデルには,より優れた解釈性と学習指導が必要です.
- 不確実性の定量化 (UQ) は,DLモデルの信頼性を向上させるための重要な分野です.
- 眼科のセグメンテーションタスクは,ピクセルレベルの正確な分類から恩恵を受けます.
研究 の 目的:
- 不確実性認識トレーニング (UAT) を導入し,DLの損失関数を不確実性マップで拡張します.
- 高い不確実性の領域に焦点を当てることでDLモデルの性能と解釈性を向上させる.
- ジオグラフィック・アトロフィー (GA),光学カップ (OC),およびフォヴェアル・アヴァスキュラー・ゾーン (FAZ) などの眼科のセグメンテーションタスクの精度を向上させる.
主な方法:
- 3つの眼科セグメンテーションタスク (GA,OC,FAZ) にUATを適用しました.
- 曖昧な領域に焦点を当てるために不確実性マップを使用して,加重バイナリクロスエントロピー損失関数.
- エントロピーベースのUQとコンフォーマル予測技術で実験.
- 精密に調整された最先端の基礎モデルでUATを評価した.
主要な成果:
- 損失計算時のエントロピー加重マップは,すべてのデータセットで一貫してパフォーマンスを改善しました.
- 準則的な予測 (最少曖昧なセット値分類法) は,GAとOCのセグメンテーションを強化しました.
- UATの統合は,トレーニングの構造を大幅に変更することなく実現可能でした.
結論:
- UATは,エラーと共に不確実性を組み込むことにより,DLモデルの性能と解釈性を効果的に向上させます.
- この方法は,眼科アプリケーションにおけるセグメンテーションの精度を向上させます.
- UATの軽量統合は,実用的な採用を容易にし,モデルのパフォーマンスを改善します.
