潜在類似性マイニングと反復的共同最適化によるドメイン横断血管セグメンテーション

arXiv cs.CV / 2026/4/3

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、網膜血管セグメンテーションを対象とし、学習データとテストデータの間でドメインシフトが生じると性能が急激に低下する問題に取り組む。
事前学習済みの条件付き拡散モデルに基づき、ドメイン間で潜在的な血管類似性をマイニングすることでドメイン転送フレームワークを提案する。
決定論的インバージョン（逆変換）手順により、中間的でドメイン非依存な潜在プロトタイプを生成し、ターゲットドメインの画像合成を導く。
生成ネットワークとセグメンテーションネットワークを、循環的なパラメータ更新によって反復的に共同最適化し、合成品質とセグメンテーション精度を同時に向上させる。
モダリティの不一致を伴うクロスドメインの臨床設定で実験を行い、特に困難なシナリオにおいて最先端の結果を示す。

Abstract

網膜血管セグメンテーションは、網膜疾患の自動診断における重要な前提条件である。近年、畳み込みニューラルネットワーク（CNN）によるこのタスクの性能は有望な結果を示しているが、学習データとテストデータの間にドメインシフトが存在すると大幅な性能劣化が生じる。これらの制限に対処するために、本研究では、ドメイン間にまたがる潜在血管類似性を活用し、生成ネットワークとセグメンテーションネットワークの反復的な共同最適化を行う新しいドメイン転送フレームワークを提案する。具体的には、まずソースドメインとターゲットドメインのために生成ネットワークを事前学習する。次に、事前学習済みのソースドメイン条件付き拡散モデルにより決定論的な反転を実行し、血管画像の中間潜在表現を構築することで、ターゲット合成のためのドメイン非依存なプロトタイプを生成する。最後に、セグメンテーションネットワークと生成モデルを、周期的なパラメータ更新を通じて相互に最適化する反復的な改良戦略を開発する。この共同進化プロセスにより、ドメイン間画像合成の品質とセグメンテーション精度を同時に向上させることが可能となる。実験の結果、本フレームワークは、特にモダリティの相違が大きい困難な臨床シナリオにおいて、ドメイン間網膜血管セグメンテーションで最先端の性能を達成することを示した。