MICCAI STS 2024チャレンジ：パノラマX線およびCBCT画像における半教師ありインスタンスレベル歯セグメンテーション

科学分野:

• 医用画像解析
• 歯科画像
• ヘルスケアにおける人工知能

背景:

• 歯科画像（オルソパントモグラム-OPG、コーンビームCT-CBCT）における自動歯セグメンテーションは、診断に不可欠です。
• 大規模データセットを作成するための手動のインスタンスレベルアノテーションは労働集約的であり、データ不足につながります。
• 半教師あり学習（SSL）は、医用画像セグメンテーションにおけるデータ制限に対処するための有望なソリューションです。

研究 の 目的:

• 歯科画像におけるインスタンスレベル歯セグメンテーションのための半教師あり学習（SSL）手法のベンチマークと進歩。
• この分野の研究開発を促進するための第2回半教師あり歯セグメンテーション（STS 2024）チャレンジの組織。
• インスタンスレベルのアノテーション付きの大規模で公開されているOPGおよびCBCT画像のデータセットの提供。

主な方法:

• アノテーション付きの90,000以上の2D OPGおよび3D CBCT画像のデータセットを提供したSTS 2024チャレンジの組織。
• 参加チームからの有効なオープンソースの深層学習ベースのSSL提出の評価。
• 基盤モデル（例：SAM）とマルチステージリファインメントパイプラインを組み合わせたハイブリッド半教師ありフレームワークの使用。

主要な成果:

• STS 2024チャレンジには、114（OPG）および106（CBCT）の登録チームが参加しました。
• 優勝したSSLモデルは、完全に教師ありのnnU-Netベースラインを大幅に上回りました。
• トップ手法は大幅な改善を達成しました：OPGのインスタンスアフィニティ（IA）で44パーセントポイント以上、CBCTのインスタンスダイスで61パーセントポイント以上。

結論:

• 半教師あり学習は、ラベル付きデータが限られている複雑なインスタンスレベルの医用画像セグメンテーションタスクに非常に効果的です。
• 基盤モデルとマルチステージリファインメントパイプラインを活用するハイブリッドSSLアプローチが最も有望です。
• チャレンジデータセットと提出されたコードはGitHubで公開されており、歯科AI研究における透明性と再現性を促進します。