CRISP：ドメインシフト下での頑健な医療画像セグメンテーションのためのランク誘導反復スクイージング

要旨: 医用画像における分布シフトは、医療用AIの臨床への実装における中核的なボトルネックであり続けています。これに対処できない場合、未知の環境での深刻な性能劣化につながり、健康の不公平さをさらに悪化させる可能性があります。ドメイン適応の既存手法は、シミュレーションによるシフトや擬似教師によって事前に定義された可能性を使い尽くすことにより、本質的に限界があります。こうした戦略は、分布シフトが事実上無限である、開かれていて予測不能な現実世界ではうまく機能しません。この課題に対処するために、``陽性領域のランク安定性'' と呼ぶ経験則を導入します。これは、陽性ボクセルに対する予測確率の相対ランクが、分布シフト下でも安定して保たれることを述べています。この原理に導かれて、CRISPを提案します。CRISPは、パラメータフリーで、モデルに依存せず、ターゲットドメインの情報を必要としません。CRISPは、確率ではなくランクに基づいてセグメンテーションを行う最初の枠組みです。CRISPは、潜在特徴の摂動を通じて分布シフト下でのモデル挙動をシミュレートし、その中でボクセル確率のランキングが2つの安定したパターンを示すことを利用します。すなわち、常に高い確率を維持する領域（この原理により「運命づけられた陽性」）と、低確率のまま留まる領域（陰性として安全に分類できる）です。これらのパターンに基づいて、高精度（HP）および高再現率（HR）の事前分布を構築し、さらに摂動のもとでそれらを再帰的に洗練させます。その後、反復的な学習枠組みを設計し、HPとHRが最終セグメンテーションへ向けて徐々に「絞り込まれる」ようにします。多中心の心臓MRIおよびCTベースの肺血管セグメンテーションに対する大規模な評価により、CRISPが優れた頑健性を持つことが示され、最先端手法を有意に上回ります。特に、HD95の低減が最大で0.14（7.0の改善）、1.90（13.1の改善）、および8.39（38.9の改善）に達し、それぞれ多中心性、人口統計、およびモダリティのシフトにまたがって確認されました。