DGRNet：不確実性に配慮した脳腫瘍セグメンテーションのための不一致誘導リファインメント

要旨: MRIスキャンからの脳腫瘍の正確なセグメンテーションは、診断と治療計画にとって重要である。近年の深層学習アプローチが強力な性能を示しているにもかかわらず、2つの基本的な限界が残っている: (1) 単一モデル予測における信頼できる不確実性推定の欠如であり、治療の意思決定に不確実性の程度が影響し得るため、臨床導入に不可欠であること、そして (2) 曖昧な領域でのセグメンテーションを導く可能性がある、放射線レポートに含まれる豊富な情報の十分な活用がなされていないことである。本論文では、この2つの限界に対処するために、多視点の不一致に基づく不確実性推定と、テキスト条件付けによるリファインメントを通じて両者を同時に解決する新しい枠組みである Disagreement-Guided Refinement Network（DGRNet）を提案する。DGRNetは、共有されたエンコーダ・デコーダに取り付けられた4つの軽量なビュー固有アダプタによって、多様な予測を生成し、1回のフォワードパス内で効率的に不確実性の定量化を可能にする。次に、不一致マップを構築してセグメンテーションの不確実性が高い領域を特定し、それを臨床レポートに従って選択的にリファインする。さらに、ビューの崩壊（collapse）を防ぐために、ペアごとの類似度ペナルティと勾配分離を組み合わせた、多様性を保持する学習戦略を導入する。TextBraTSデータセットでの実験結果は、DGRNetが主要指標であるDiceで2.4%、HD95で11%という形で、最先端のセグメンテーション精度を良好に改善しつつ、有意味な不確実性推定も提供することを示している。