要旨: 背景: 深層学習は、脳転移（BM）の自動セグメンテーションにおいて大きな可能性を示している。しかし、単一の施設で訓練されたモデルは、スキャナのハードウェア、撮像プロトコル、患者の人口統計における相違のために、さまざまな施設において性能が最適でないことが多い。本研究の目的は、複数施設でBMセグメンテーションを使用可能にするドメイン適応フレームワークを作成することである。
方法: 分散型自己符号化器（VAE）と最大平均差異（MMD）損失を組み合わせた、VAE-MMDの前処理パイプラインを提案する。skip connectionsと自己注意機構を取り入れ、nnU-Netセグメンテーションと併用する。本手法は、スタンフォード、UCSF、UCLM、PKGの4つの公開データベースから740人の患者で検証し、ドメイン分類器の精度、感度、適合率、F1/F2スコア、表面Dice（sDice）、および95パーセンタイルのHausdorff距離（HD95）によって評価した。
結果: VAE-MMDはドメイン分類器の精度を0.91から0.50へ低下させ、施設間での特徴アライメントが成功したことを示した。再構成された体積はPSNR 36 dBを超え、解剖学的精度を維持した。複合手法は、ベースラインのnnU-Netと比較して、平均F1を11.1%（0.700から0.778）、平均sDiceを7.93%（0.7121から0.7686）向上させ、平均HD95を65.5%（11.33から3.91 mm）低減した。これらは4つのすべてのセンターで一貫していた。
結論: VAE-MMDは、施設間データの異質性を効果的に低減し、標的ドメインのラベルを必要とすることなく、体積、検出、境界レベルの指標においてBMセグメンテーションの汎化性能を向上させる。これにより、AI支援セグメンテーションの臨床導入における重要な障壁を克服する。
施設をまたいだ脳転移のセグメンテーションに対する深層学習の汎化性の向上
arXiv cs.AI / 2026/4/2
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本研究は、脳転移（BM）セグメンテーションにおける深層学習の重要な制約、すなわち単一施設で学習したモデルが、スキャナの違い、画像化プロトコルの違い、人口統計学的差異によって他施設で性能を十分に発揮できないという問題に取り組む。
- 変分オートエンコーダ（VAE）と最大平均差異（MMD）損失を組み合わせることで、施設間の特徴量を整列させるドメイン適応パイプライン（VAE-MMD前処理）を提案し、その後、スキップ接続や自己注意などの建築上の強化を施したnnU-Netでセグメンテーションを行う。
- 4つの公開データセット（Stanford、UCSF、UCLM、PKG）から740人の患者を用いて評価した結果、この手法は、目的ドメインのラベルを必要とせずに、施設間（クロスサイト）の性能を大幅に向上させる。
- 結果は、体積（volumetric）、検出（detection）、境界（boundary）の各指標においてセグメンテーション品質がより良好であることを示し、ベースラインのnnU-Netに比べて平均F1が約11.1%向上、平均サーフェスDiceが約7.93%向上、平均HD95が約65.5%減少したと報告されている。
- 特徴量整列は、ドメイン分類器の精度が0.91から0.50へと大きく低下したことによって裏付けられており、この手法が学習された表現における施設間の異質性を効果的に低減できていることを示唆する。
