「1つのシーケンスで全てを分ける」：CT/MRIクロスドメイン向け効率的データ拡張による3D脊椎セグメンテーション

arXiv cs.CV / 2026/5/6

💬 オピニオンTools & Practical UsageModels & Research

共有:

要点

この論文は、3D医用画像の脊椎セグメンテーションにおける重要な課題として、CT/MRIの単一シーケンスで学習したモデルが新しい撮像シーケンスやコントラスト、モダリティに対して十分に汎化できない点を扱っています。
研究では、クロスモダリティ転移に特化したデータ拡張を定量的に検証し、単一モダリティ/シーケンスで3つのセグメンテーションモデルを学習したうえで、CT/MRIの7つのアウト・オブ・ディストリビューション（未知ドメイン）データセットで評価しています。
提案手法は、未知ドメインで平均Diceが155%向上した一方で、学習内（インドメイン）の精度は平均Diceが0.008%低下にとどまるなど、性能を大きく改善しつつ劣化をほぼ抑えています。
強いデータ拡張に伴いがちな計算コストについても、GPU最適化の拡張により学習効率を約10%改善し、オーバーヘッドを軽減しています。
nnUNetやMONAIなどの代表的な医用画像フレームワークへの統合を想定したオープンソースのツールボックスを公開し、異種の臨床画像環境で頑健性を高める実装を容易にしています。