トポロジー制約付き量子化nnUNetによる効率的かつ解剖学的に正確な3D歯科セグメンテーション

arXiv cs.CV / 2026/5/7

📰 ニュースDeveloper Stack & InfrastructureModels & Research

共有:

要点

この論文は、CBCT画像における3D歯科セグメンテーションを「効率」と「解剖学的正確さ」の両立を目標にする、トポロジー制約付き量子化nnUNetフレームワークを提案しています。
量子化により生じる空間歪みの課題に対し、基盤のnnUNetアーキテクチャを変更せずに、量子化を意識した学習へ歯に特化したトポロジー損失を組み込むことで対処します。
8ビットの量子化nnUNetバックボーンを用い、推論時の精度低下を抑えるために重みと活性を動的にキャリブレーションします。
トポロジー損失は、連結成分分析、隣接関係の整合性、穴検出ペナルティによって解剖学的整合性を担保し、永続ホモロジー項の勾配近似を含めて損失全体を共同最適化します。
実験では、従来の量子化モデルよりトポロジー誤りが大幅に減少し、臨床的に妥当なセグメンテーションが得られたと報告されており、さらに整数のみの推論効率も維持されるため、資源制約のある臨床環境での導入に適しています。

Abstract

本稿では、量子化によって深層学習モデルに導入される空間歪みの課題に対処しつつ、効率的かつ解剖学的に正確な3D歯のセグメンテーションを実現するための、トポロジ制約付き量子化nnUNetフレームワークを提案する。提案手法は、量子化を意識した学習に歯固有の新規トポロジカル損失を統合し、歯の本数、隣接関係、空洞の完全性といった重要な解剖学的構造を保持しながら、計算効率も維持する。システムは8ビット量子化nnUNetのバックボーンを用い、重みと活性を推論時の精度損失を最小化するよう動的にキャリブレーションする。さらに、トポロジカル損失は、連結成分解析、隣接整合性、穴検出ペナルティを組み合わせることで、基礎となるネットワーク構造を変更することなく解剖学的忠実性を保証する。共同最適化の目的関数は、交差エントロピー損失、量子化正則化、およびトポロジカル制約を調和させ、持続ホモロジー項に対する勾配近似を用いたエンドツーエンド学習を可能にする。実験により、本手法は従来の量子化モデルと比べてトポロジカル誤りを大幅に低減し、歯科用CBCTスキャン上で臨床的に妥当なセグメンテーションを達成することが示される。本手法は、整数のみの推論というハードウェア効率を保持しており、資源が限られた臨床環境での導入に適している。本研究は、医用画像セグメンテーションにおける計算効率と解剖学的精度のギャップを埋め、実世界の歯科応用に向けた実用的な解決策を提供する。