BPC-Net：境界確率のキャリブレーションによる注釈不要の皮膚病変セグメンテーション

要旨: 注釈なしの皮膚病変セグメンテーションは、低リソースでのダーモスコープ導入にとって魅力的である。しかし、その性能は3つの相互に関連した課題によって依然として制約されている。すなわち、ノイズのある疑似ラベルによる教師信号、限られたターゲット領域データ下での不安定な転移、そして境界確率の過小信頼である。既存の注釈なし手法の多くは、主に疑似ラベルのノイズ除去に焦点を当てている。これに対し、圧縮された境界確率が最終マスク品質に与える影響については、明示的な注意があまり払われていない。しかし、それは輪郭の完全性に直接影響し、単に大域的な閾値調整だけでは十分に補正できない。そこで本研究では、注釈なしの皮膚病変セグメンテーションのための境界確率校正フレームワークであるBPC-Netを提案する。このフレームワークの中核はガウス確率平滑化（GPS）であり、閾値化の前に確率空間を局所的に校正することで、前景を無差別に拡大させることなく、過小信頼の病変境界を回復させる。ノイズのある疑似教師信号とドメイン間転移に対するこの校正を支えるために、さらに2つの補助的設計を取り入れる。すなわち、文脈抑制、詳細復元、境界の洗練をそれぞれ別々に扱う特徴デカップルドなデコーダ、そして、投入された画像のみのセグメンテーション経路を保持しつつ、疑似ラベルの相互作用ブランチのみを更新する相互作用ブランチ適応戦略である。厳密な注釈なしプロトコルのもとでは、学習やターゲット領域適応のいずれにおいても手動マスクは用いられず、利用可能な検証ラベルは最終的な運用ポイント選択のみに用いられる。ISIC-2017、ISIC-2018、PH2 に対する実験では、提案フレームワークが、公開されている教師なし手法の中で最先端の性能を達成し、それぞれマクロ平均Dice係数およびJaccard指数で85.80\%と76.97\%を獲得し、PH2では教師あり参照性能に近づくことが示される。