3D矩形化フローの訓練不要ガイダンスによる弱教師あり肺結節セグメンテーション

Abstract

セグメンテーションマスクのような密なアノテーションは、特に専門家によるボクセル単位のラベリングが必要となる3D医用画像では、取得が費用も時間もかかり過ぎます。弱教師ありアプローチはこの制約に対処しようとしますが、多くの場合、帰属（attribution）ベースの手法に依存しており、肺結節のような小さな構造を正確に捉えるのが難しいという課題があります。本論文では、事前学習済みの最先端の整流フロー（rectified flow）モデルと予測器（predictor）モデルを、プラグアンドプレイ方式で組み合わせることで、肺結節のための弱教師ありセグメンテーション手法を提案します。本手法は、3D整流フローモデルの学習不要なガイダンスを用い、生成モデルの再学習を一切行わず、画像レベルのラベルを用いて予測器を微調整するだけで済みます。提案手法は、2つの別々の予測器に対して、質の向上したセグメンテーションを生成し、サイズや形状が異なる肺結節を一貫して検出できることを示します。LUNA16における実験では、ベースライン手法に対する改善が確認され、生成基盤モデルを弱教師ありの3D医用画像セグメンテーションのためのツールとして活用できる可能性が示唆されます。