3D医用形状における老化から病気の影響を自己教師ありで分離する手法

要旨：3D 医療形状における病理的変化と生理的老化を分離することは、解釈可能なバイオマーカーの開発と患者層別化のために極めて重要です。しかし、診断ラベルが限られている、または利用できない場合、この分離は困難です。病気と老化はしばしば形状の変化に重なる影響を及ぼし、臨床的に有意な形状パターンを覆い隠してしまうからです。この課題に対処するため、私たちは、教師なしの病気発見と暗黙の形状表現の自己教師付き分離を組み合わせた2段階のフレームワークを提案します。第一段階では、符号付き距離関数を用いた暗黙のニューラルモデルを訓練し、安定した形状埋め込みを学習します。次に、形状潜在空間にクラスタリングを適用します。これにより、探索中に真の診断を使用せず、疑似疾病ラベルを得ることができます。第二段階では、第一段階で発見された疑似疾病ラベルと、全被験者に利用可能な真の年齢ラベルを用いて、コンパクトな変分空間内の要因を分離します。共分散を組み込んだ多目的な分離損失と、教師ありコントラスト損失を組み合わせた多目的な分離損失で、分離と制御性を強制します。ADNI の海馬と OAI の遠位大腿骨の形状を対象に、ほぼ教師ありの性能を達成し、従来の最先端の教師なしベースラインよりも分離と再構成を改善しつつ、高忠実度の再構成、制御可能な合成、および要因ベースの説明可能性を実現します。コードとチェックポイントは https://github.com/anonymous-submission01/medical-shape-disentanglement に公開されています。