CausalDisenSeg：欠損モダリティ下での頑健な脳腫瘍セグメンテーションのための、反実仮想推論を伴う因果性ガイド付きディスエンタングルメント枠組み

要旨: 臨床実践において、多モーダルな脳腫瘍セグメンテーションに対する深層学習モデルの頑健性は、不完全なMRIデータによって深刻に損なわれています。この脆弱性の主因は、モダリティバイアスであり、モデルが真の解剖学的構造を学習するのではなく、近道（spurious correlations）として見かけ上の相関を利用してしまう点にあります。既存の特徴融合手法は、この依存を根本的に除去できていません。これに対処するために、本研究では因果推論と分離に基づく、頑健なセグメンテーションを実現する新しい枠組み CausalDisenSeg を提案します。この枠組みは、構造因果モデル（Structural Causal Model: SCM）に基づいたアプローチであり、因果性に導かれた disentanglement（分離）と反事実推論によって頑健性を達成します。私たちは問題を、解剖学的な因果因子を、スタイルに由来するバイアス因子から切り離すこととして再定式化します。提案枠組みは、3段階の因果介入を実装します：(1) 明示的因果分離: 解剖学的特徴とスタイル特徴の統計的直交性を数学的に強制するために、HSIC制約を組み込んだ条件付き変分オートエンコーダ（Conditional Variational Autoencoder: CVAE）を用います。(2) 因果表現の強化: 地域因果モジュール（Region Causality Module: RCM）により、因果的特徴を物理的な腫瘍領域に明示的に根付かせます。(3) 反事実推論: 二重敵対戦略によってバイアスの残留する自然直接効果（Natural Direct Effect: NDE）を能動的に抑制し、その空間的注意が因果的経路と互いに排他的になるように強制します。BraTS 2020データセットでの大規模な実験により、CausalDisenSeg が、重度の欠損モダリティ状況において精度と一貫性の両面で、最先端手法を大幅に上回ることを示しました。さらに、同一プロトコルのもとで行った BraTS 2023 によるクロスデータセット評価では、マクロ平均DSCが 84.49 の最先端結果となっています。