VAMAE：OCT血管造影のための血管対応型マスクド・オートエンコーダ

Abstract

光干渉断層計血管撮影（OCTA）は網膜の微小血管を非侵襲的に可視化しますが、血管構造が疎で強い位相（トポロジー）制約があるため、頑健な表現を学習することは依然として困難です。マスクドオートエンコーダを含む多くの既存の自己教師あり学習アプローチは、主として高密度な自然画像を対象に設計されており、均一なマスキングと画素レベルの再構成に依存しています。これらは血管の幾何学的形状を十分に捉えられない可能性があります。 提案手法であるVAMAEは、OCTA画像に対する自己教師あり事前学習のための、血管に配慮したマスクドオートエンコーディングの枠組みです。このアプローチでは、血管性（vesselness）および骨格（スケルトン）に基づく手がかりを用いて、血管に富む領域を強調する解剖学的に情報を与えたマスキングを組み込みます。これにより、モデルが血管の連結性や分岐パターンに焦点を当てることを促します。さらに、事前学習の目的関数には、複数の相補的なターゲットを再構成することを含め、モデルが見た目（appearance）、構造（structural）、および位相（topological）の情報を捉えられるようにします。 提案する事前学習戦略を、複数の血管セグメンテーションタスクについて、監督のレベルを変化させながらOCTA-500ベンチマークで評価します。その結果、血管に配慮したマスキングと多ターゲット再構成は、標準的なマスクドオートエンコーディングのベースラインに比べて一貫した改善をもたらすことが示されました。特にラベルが限られる設定において顕著であり、OCTA解析のための幾何学を意識した自己教師あり学習の可能性が示唆されます。