多モーダルMRIにまたがる脳腫瘍分類のためのオリエンテーション認識型教師なしドメイン適応

Abstract

神経腫瘍学における脳腫瘍診断のための深層学習モデルの臨床統合は、専門家によって注釈されたMRIデータが限られていること、ならびにスキャナ、撮像プロトコル、造影条件の違いに起因する施設間のドメインシフトが大きいことによって、厳しく制約されています。これらの課題は、現実の運用環境におけるモデルの汎化性能を著しく損ないます。そこで本研究では、混合した2D MRIスライスを用いた自動脳腫瘍分類のための、新規の方位（orientation）に着目した教師なしドメイン適応フレームワークを提案します。まず、広い受容野を持つCNNが入力スライスを軸位（axial）、矢状位（sagittal）、冠状位（coronal）の各ビューに分類します。各方位ごとに、ResNet50バックボーンに4つの全結合層を追加したCNNアーキテクチャを訓練し、腫瘍分類のための識別的特徴を抽出します。注釈の乏しさとドメイン間の不一致を緩和するために、スライス単位の教師なしドメイン適応戦略を導入します。この戦略では、T1、T2、FLAIRのような多モーダルのソースドメインから、造影後T1のターゲットドメインへと知識を転送します。特徴レベルの整合は最大平均差異（maximum mean discrepancy）損失によって強制し、クラスの識別性を維持するために疑似ラベルに導かれた適応を補完します。広範な実験により、従来手法よりもターゲットドメインでの性能が向上することが示されます。これは、方位に特化した学習、多モーダル知識の転送、疑似ラベルに導かれた適応、および教師なしドメイン適応の有益性を裏付けています。