FLAIR MRIにおける白質高信号域および脳卒中病変のセグメンテーションのための、部分的にラベル付けされたデータセットを用いた学習戦略の比較評価

TL;DR（結論）

FLAIR MRI画像において、見た目が酷似し混同されやすい白質高信号域（WMH）と虚血性脳梗塞病変（ISL）を正確に分離・抽出するため、完全なラベルが揃っていない不完全なデータセットを有効活用する6つの学習戦略を比較検証した。 合計2052件のMRIボリュームという大規模なデータを用い、マルチクラス、マルチモデル、クラス条件付き、疑似ラベル、マージナル損失、クラス適応損失といった手法を評価した結果、部分的なラベル情報を活用することでモデルの性能が向上することが確認された。 検証された手法の中でも、欠損しているラベルを補完するためにモデル自身が生成したラベルを使用する「疑似ラベル」を用いた手法が、WMHとISLの同時セグメンテーションにおいて最も優れた性能を示すことが明らかになった。

なぜこの問題か

脳小血管病（SVD）は、脳卒中や認知症の発症に関与する重要な要因であり、その診断には磁気共鳴画像法（MRI）における白質高信号域（WMH）や虚血性脳梗塞病変（ISL）の特定が不可欠である。特に流体減衰反転回復（FLAIR）シーケンスにおいて、これらの病変は周囲の脳実質よりも明るい焦点領域として現れるという共通の視覚的特徴を持っている。しかし、WMHとISLは見た目が非常に似ているため、画像上で互いに混同されやすく、さらに同一の被験者内に両方の病変が同時に存在することも珍しくない。このような視覚的な類似性と共存性は、深層学習モデルがこれらを正確にセグメンテーションし、かつ個別に識別することを困難にしている。 自動識別を可能にするためには、両方の病変が正確にアノテーションされた学習データが必要となるが、現実には大きな課題がある。現在、WMHとISLの両方のラベルが含まれた公開データセットは存在せず、研究機関が独自に保有する完全ラベル付きデータセットもその規模は非常に小さいのが現状である。一方で、特定の病変のみにラベルが付けられた「部分ラベル付きデータセット」は比較的多く存在する。…

核心：何を提案したのか

本研究の核心は、部分的にラベル付けされた画像データを用いて、WMHとISLを同時にセグメンテーションするための深層学習モデルを訓練する6つの具体的な戦略を特定し、それらを大規模なデータセットで比較評価したことにある。提案された戦略には、単純なマルチクラス学習（基準となるベースライン）、各クラスごとに独立したモデルを訓練するマルチモデル、出力ヘッドを分けるクラス条件付きモデル、欠損ラベルを予測値で補う疑似ラベル法、欠損クラスを背景に統合するマージナル損失、利用可能なラベルのみで損失を計算するクラス適応損失、そして背景か否かを先に学習させる2段階学習が含まれている。…

続きはログイン/プランで閲覧できます。