ファジー論理を取り入れた不確実性を考慮する損失関数：MRI脳画像のセグメンテーションへの応用

要旨: 正確な脳画像セグメンテーション、特に磁気共鳴画像法（MRI）画像からさまざまな組織を識別することは、神経疾患の解明と医用画像コンピューティングにおいて極めて重要な役割を果たします。深層学習のアプローチでは、損失関数はモデルを最適化するうえで非常に重要です。本研究では、脳画像セグメンテーションにおける不確実性の問題をさまざまな組織への分割に組み込むため、ファジー論理を統合した新しい損失関数を提案します。この損失関数は、よく知られたカテゴリカル交差エントロピー（CCE）損失関数と、ファジー論理に基づくファジーエントロピーを統合します。ファジー論理を用いることで、本損失関数は画素の分類に内在する不確実性を考慮します。提案した損失関数は、広く認められている2つのアーキテクチャ、U-NetとU-Net++を用いて、公開ベンチマークデータセットであるIBSRとOASISの2つで評価しました。実験結果は、提案した損失関数で学習したモデルが、さまざまな性能指標においてCCE最適化関数と比較してより良い結果を示したことを示しています。さらに、学習中に意味のある不確実性を扱いながら、セグメンテーション性能を効果的に向上させます。これらの結果は、本アプローチがセグメンテーションの成果を改善するだけでなく、モデル予測の信頼性にも寄与することを示唆しています。