部分的にラベル付けされた医用画像セグメンテーションのための、基盤モデルに導かれた反復的プロンプト提示および疑似ラベル付け

arXiv cs.CV / 2026/4/2

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、臓器の一部のみが手動でラベル付けされている場合（部分的ラベル付け問題）に医用画像セグメンテーションを改善するためのIPnP（Iteratively Prompting and Pseudo-labeling）を提案する。
IPnPは2つのエージェントによる枠組みを用い、学習可能なセグメンテーションネットワーク（スペシャリスト）と凍結した基盤モデル（ジェネラリスト）が協調して、未ラベルの臓器に対して反復的に疑似ラベルを生成・改良する。
AMOSデータセットにおけるシミュレーションされた部分ラベル設定下で、IPnPは先行手法に対して一貫した改善を示し、完全ラベル付けされた参照手法の性能に近づくことができる。
著者らはさらに、210人の患者からなる非公開の頭頸部がんの部分的ラベル付けデータセットでIPnPを検証し、より現実的な臨床条件において有効性を示している。

Abstract

自動化された医療画像セグメンテーションは、完全にラベル付けされたデータによって目覚ましい進歩を遂げてきました。しかし、サイト固有の臨床的優先事項や手作業による注釈の高いコストのために、ラベルが付けられている臓器の一部のみが示されたスキャンが生じることが多く、これにより性能を低下させる部分的ラベル問題が発生します。この課題に対処するために、本論文では、部分的にラベル付けされた医療画像セグメンテーションのための、IPnP（Iteratively Prompting and Pseudo-labeling）という反復型プロンプト付けおよび疑似ラベリングの枠組みを提案します。IPnPは、学習可能なセグメンテーションネットワーク（専門家）と凍結した基盤モデル（一般家）の協調により、未ラベル臓器に対する疑似ラベルを反復的に生成・洗練しながら、徐々に臓器全体の監督信号を回復していきます。シミュレーションによる部分ラベル設定を用いた公開データセットAMOSにおいて、IPnPは従来手法に比べて一貫してセグメンテーション性能を向上させ、完全にラベル付けされた参照の性能にも到達します。さらに、頭頸部がん患者210人からなる非公開の部分ラベル付きデータセットで評価を行い、実運用の臨床環境において有効であることを示します。