脳MRIにおける小構造セグメンテーション改善のためのコンポーネント適応型および病変レベル監督

要旨: 本稿では、CATMILと呼ばれる統一的な目的関数を提案し、基礎となるセグメンテーション損失に対して、異なるレベルで動作する2つの補助的な監督（supervision）項を追加します。第1項であるComponent-Adaptive Tverskyは、接続成分（connected components）に基づいてボクセルの寄与を再重み付けし、異なるサイズの病変（lesion）に対する影響のバランスを取ります。第2項は、Multiple Instance Learningに基づき、各病変インスタンスの検出を促すことで、病変レベルの監督を導入します。これらの項は標準のnnU-Net損失と組み合わせられ、ボクセルレベルのセグメンテーション精度と病変レベルの検出を共同で最適化します。提案した目的関数は、統一したnnU-Netフレームワークと5-fold交差検証を用いて、MSLesSegデータセットで評価します。その結果、CATMILは、セグメンテーション精度、病変検出、誤差制御にまたがって最もバランスの取れた性能を達成することが示されました。標準的な損失と比較してDiceスコア（0.7834）を改善し、境界誤差を低減します。さらに重要なのは、小さな病変の再現率を大幅に向上させ、偽陰性を減らしつつ、比較手法の中で最も低い偽陽性ボリュームを維持していることです。これらの知見は、統一的な目的関数の中に成分（component）レベルと病変（lesion）レベルの監督を統合することで、強く不均衡な状況における小さな病変のセグメンテーションを改善するための、効果的で実用的なアプローチが得られることを示しています。すべてのコードと事前学習済みモデルは、\href{https://github.com/luumsk/SmallLesionMRI}{こちらのURL}で利用可能です。