NNMFと拡散特徴デノイズで脳腫瘍MRI分類を頑健化する

TL;DR（結論）

• 脳MRIから腫瘍を分類する精度は深層学習で大きく伸びましたが、微小な敵対的摂動で壊れやすいという弱点が医療応用では深刻です。
• 提案手法は、NNMFで作った解釈しやすい低次元特徴、統計量で選んだ上位成分、小型CNN、そして特徴空間での拡散デノイズを組み合わせ、AutoAttack 下での頑健性を押し上げます。
• クリーン精度はほぼ維持したまま、頑健精度を 0.0047 から 0.5953 へ大きく改善しており、「見かけの高精度」ではなく「攻撃下でも崩れにくい診断補助」を目指した構成だと読めます。

なぜこの問題か

脳腫瘍の有無や領域を MRI から推定する作業は、診断、手術計画、経過観察のいずれでも重要です。近年は CNN を中心とする画像分類器が高い精度を出しており、医療画像でも自動判定の有望性は広く共有されています。ただし、医療分野では「平均精度が高い」だけでは足りません。ごく小さな摂動で予測が大きく崩れるなら、実環境での信頼性は一気に下がります。

核心：何を提案したのか

提案の核は、NNMF ベースの特徴抽出と拡散型特徴デノイザを組み合わせた堅牢な脳腫瘍分類フレームワークです。画像そのものに大きな CNN を当てるのではなく、まず MRI を非負行列として扱い、NNMF によって解釈可能な低ランク成分へ分解します。そのうえで、AUC、Cohen の d、Welch の t 検定由来の p 値といった統計量を使って識別に効く成分を選別し、小型の CNN をその上に載せます。

続きはログイン/プランで閲覧できます。