SparseContrast：医用画像における効率的かつ高精度な対照（コントラスト）学習のための動的スパース注意

概要: 本研究では、医用画像向けに動的スパース注意と対比学習を統合する新しい枠組みであるSparseContrastを提案する。焦点は、データが少ない状況での胸部X線の疾患検出である。従来の対比学習手法は、密な注意機構に依存しており、計算コストが高く、医用画像の冗長な領域を処理しがちである。これを解決するために、SparseContrastは、診断上の重要領域に選択的に注意を集中させるスパース注意機構を導入し、正確性を損なうことなく計算負荷を大幅に低減する。さらに、この枠組みは、訓練段階で注意マップを適応的に刈り込み（トリミング）する。刈り込みは、コンパクトなサリナンシー予測器によって導かれ、この予測器は同時にスパース性と特徴の品質を最適化する。本手法は、密な注意のベンチマークに対して最大40%もの学習および推論の高速化を実現するだけでなく、臨床的に重要な領域に焦点を当てることで診断精度も向上させる。加えて、このアプローチはバックボーン・アーキテクチャの選択に対して頑健であるため、畳み込み型モデルとトランスフォーマーベースのモデルの両方に適用可能である。実験の結果、SparseContrastは、既存手法に比べて高い効率を保ちながら、疾患同定タスクにおいて同等以上の性能を達成することが示された。提案する枠組みは、計算効率と診断精度が最重要となる、限られた資源のもとで医用画像における対比学習を実装するための実用的なアプローチを提供する。