エントロピーに基づく公平なアクティブラーニングによる脳セグメンテーションの探究

Abstract

アクティブラーニング（AL）は、医用画像セグメンテーションに伴う過度に高いコストを削減するための重要な戦略として注目されている。しかし、標準的な不確実性ベースのAL手法は通常、性能指標の最大化に焦点を当てており、センシティブ属性を持つグループ間の性能差や公平性は無視されがちである。公平なアクティブラーニングは分類タスクで検討されてきたものの、医用画像セグメンテーションとの交点はいまだ扱われていない。本研究では、ラベル付け済み集合における各グループ固有の現在の性能推定に基づいて不確実性を調整する、Weighted Entropy（重み付きエントロピー）選択戦略を用いた公平性を考慮したアクティブラーニングの枠組みを導入した。真のエピステミック不確実性を解剖学的体積のばらつきから切り離すために、さらに関心領域に限定したマスク付き・スケール付きエントロピーを用いた。提案した枠組みは、左右の尾状核（左カウデート）に対するバイアスを制御した合成のT1強調脳MRIにおいて、強いバイアス設定と弱いバイアス設定の両方で評価した。3D U-Netを、人口統計学的にバランスの取れた初期ラベル集合および強く不均衡な初期ラベル集合の両方から開始して、複数のAL戦略のもとで左カウデートをセグメントするように学習させた。実験の結果、提案手法はランダムサンプリングおよび標準的な不確実性サンプリングと比べて、グループ間の性能差を大幅に低減することが示された。ALサイクル中に十分にセグメントできていないサブグループを優先することで、本手法は一貫して最高の衡平性スケール性能を達成し、最終予算において標準的エントロピーに比べて格差指標を強いバイアスでは75%減、弱いバイアスでは86%減に抑えた。全体として、本研究は医用画像セグメンテーションにおける公平なALに関する初期の研究の一つであり、資源が制約された環境でより衡平なモデルを効率的に訓練するための戦略を提供するものである。