UHR-Net：不確実性を考慮したハイパーグラフ・リファインメント・ネットワークによる医用画像セグメンテーション

概要: 正確な病変（レシオン）セグメンテーションは、臨床診断および治療計画にとって重要です。しかし、病変は周囲の組織に似ることが多く、境界が不明瞭であるため、境界／遷移領域における予測が不安定になりがちです。さらに、小さな病変の手がかりはマルチスケール特徴抽出によって希釈され、過小または過大なセグメンテーションにつながります。これらの課題に対処するため、我々は、不確実性を考慮したハイパーグラフ精緻化ネットワーク（UHR-Net）を提案します。まず、小さく見た目が曖昧な病変に対するインスタンス（実体）レベルの識別を改善するために、幾何情報に配慮したコピー＆ペースト拡張と、病変様の背景領域に対するハードネガティブマイニングを組み合わせた、不確実性志向のインスタンスコントラスト（UO-IC）による事前学習戦略を導入します。次に、粗い確率マップからエントロピーに基づく不確実性マップを導出し、それによってハイパーグラフ精緻化を導く、不確実性ガイド付きハイパーグラフ精緻化（UGHR）ブロックを設計します。さらに、ハイパーエッジのプロトタイプを前景と背景のグループに分割することで、UGHRは高次相互作用を切り離し、曖昧な領域における精緻化を改善します。5つの公開ベンチマークにおける実験では、強力なベースラインに対して一貫した改善が示されました。コードは以下で入手できます: https://github.com/CUGfreshman/UHR-Net.