Core Concepts
提案手法は、Body Part Regression (BPR)モデルを用いて解剖学的に不適切な体部位での予測を抑制することで、医療画像セグメンテーションの一般化性を向上させる。
Abstract
本研究では、医療画像セグメンテーションにおける一般化性の課題に取り組んでいる。特に、トレーニングデータの視野(Field of View: FOV)が限定的であるため、推論時に解剖学的に不適切な体部位での誤った予測が発生するという問題に着目している。
提案手法では、BPRモデルを用いて各スライスの解剖学的位置を推定し、その情報を活用して、不適切な体部位での予測を抑制するための新しい損失関数(Region Loss)を導入している。この手法は、単一データセット(SD)トレーニングと複数データセット(MD)トレーニングの両方で評価されている。
評価の結果、提案手法は、解剖学的に不適切な体部位での誤った腫瘍予測を最大85%削減し、全体的なセグメンテーション性能も向上させることができた。従来の後処理ベースの手法と比べ、提案手法は安定性が高く、追加の誤りを生み出すことなく、一般化性を向上させることができる。
Stats
肝臓腫瘍の誤検出数が89%減少
肺腫瘍の誤検出数が96%減少
膵臓腫瘍の誤検出数が72%減少
肝臓血管腫瘍の誤検出数が88%減少
Quotes
"提案手法は、解剖学的に不適切な体部位での誤った腫瘍予測を最大85%削減し、全体的なセグメンテーション性能も向上させることができた。"
"従来の後処理ベースの手法と比べ、提案手法は安定性が高く、追加の誤りを生み出すことなく、一般化性を向上させることができる。"