LUMOS：階層的信頼できる相互学習による、OCT網膜層のためのユニバーサルな半教師ありセグメンテーション

概要: 光干渉断層撮影（OCT）における層セグメンテーションは、注釈の不足やデータセット間でのラベル粒度の不均一さにより課題に直面している。セミスーパーバイズド学習はラベル不足を緩和するのに役立つが、既存手法は典型的に固定された粒度を前提としており、粒度をまたいだ監督を十分に活用できていない。本論文では、DDN-HPS（Dual-Decoder Network with a Hierarchical Prompting Strategy）とRPML（Reliable Progressive Multi-granularity Learning）に基づく、デュアルデコーダネットワークと階層的プロンプト戦略（DDN-HPS）および信頼できる段階的マルチ粒度学習（RPML）を用いたセミスーパーバイズドなユニバーサルOCT網膜層セグメンテーションの枠組みであるLUMOSを提案する。DDN-HPSはデュアルブランチのアーキテクチャとマルチ粒度プロンプト戦略を組み合わせることで、疑似ラベルノイズの伝播を効果的に抑制する。一方、RPMLは領域レベルの信頼性による重み付けと、モデルをより簡単なタスクからより困難なタスクへと段階的に導くプログレッシブな学習アプローチを導入する。これにより、粒度をまたいだ整合性ターゲットの信頼性のある選択が保証され、安定した粒度間アラインメントが達成される。6つのOCTデータセットに対する実験により、LUMOSは既存手法を大きく上回り、さらに優れたクロスドメインおよびクロス粒度の汎化能力を示すことが確認された。