Core Concepts
本研究では、医療画像セグメンテーションのための統一された教師なし領域適応フレームワークMAPSegを提案する。MAPSegは、3Dマスクオートエンコーディングと疑似ラベリングを組み合わせることで、中心集中型、連邦型、テストタイムの各UDAシナリオに適用可能である。
Abstract
本研究では、医療画像セグメンテーションのための統一された教師なし領域適応(UDA)フレームワークMAPSegを提案している。MAPSegは以下の特徴を持つ:
3Dマスクオートエンコーディング(MAE)とマスク付き疑似ラベリング(MPL)を組み合わせることで、中心集中型、連邦型、テストタイムのUDAシナリオに適用可能。
大規模な事前学習データを利用することで、新しい領域への適用が容易。
グローバルとローカルの特徴を統合することで、疑似ラベルの精度を向上。
実験では、乳児脳MRIデータセットと心臓CT-MRIデータセットを用いて評価を行った。MAPSegは従来手法と比べて大幅な性能向上を示し(最大10.5 Dice改善)、様々な領域シフトに対して優れた汎化性を持つことが確認された。
Stats
乳児脳MRIデータセットには2,421件(T1w 1,163件)のスキャンが含まれる。
心臓CT-MRIデータセットには40件(CT 20件、MRI 20件)のスキャンが含まれる。