漸進的なモダリティ・ドロップアウトを伴う注意ベースの反復ネットワークによる多施設血栓セグメンテーション

要旨: 3D脳スキャンにおける微小なターゲットを検出し、輪郭を描くことは、医用画像処理における中心的な課題であるにもかかわらず、十分に取り組まれていません。たとえば虚血性脳卒中では、原因となる血栓は小さく、コントラストが低く、モダリティによってその現れ方がさまざまであります（例：感受性強調T2のブルーミング、DWI/ADCにおける拡散制限）。一方で実環境の多施設データでは、ドメインシフト、異方性、そして頻繁な欠測シーケンスが生じます。そこで我々は、注意に基づく反復型セグメンテーションネットワーク（UpAttLLSTM）と、多様なモダリティ学習の難易度を段階的に高める学習スケジュール（徐々にモダリティをドロップアウトする）を組み合わせる手法を提案します。UpAttLLSTMは、反復ユニット（2.5D）を用いてスライス間で文脈を集約し、利用可能な各シーケンス間で補完的な手がかりを融合するために注意ゲートを用いることで、異方性やクラス不均衡に対して頑健になります。段階的なモダリティドロップアウトは、学習中に施設間の異質性、ノイズ、そして欠測モダリティを系統的にシミュレーションし、データ拡張と正則化の両方として機能することで、多施設での汎化性能を向上させます。単一施設のコホートにおいては、本手法は症例の90%以上で血栓を検出し、Diceスコアは0.65でした。モダリティが欠ける多施設の設定では、検出率-80%を達成し、Diceスコアは約0.35でした。脳卒中に限らず、提案手法は、ターゲットが乏しく、微妙で、モダリティ依存性がある3D医用画像における他の微小病変タスクにも直接的に転移可能です