医療画像セグメンテーションのためのラベルツリー意味損失

医療画像セグメンテーションは、AIによる臨床実践の基盤となるが、既存の手法はクラス間の意味的関係性を活用できていない。本研究では、ラベルの階層構造を利用した2つのツリーベースの意味損失関数を提案する。さらに、これらの損失関数を、疎なアノテーションを用いた学習アプローチに組み込むことで、適用範囲を拡大する。頭部MRIを用いた全脳分画タスク(完全教師あり)と、神経外科用ハイパースペクトルイメージングを用いたシーン理解タスク(疎アノテーション)の2つのタスクで広範な実験を行った。結果として、全脳分画ではWassersteinベースの複合損失が、疎なハイパースペクトルイメージングでは階層重み付けトップレベル教師あり学習が最も効果的であることが示され、ベースライン手法に対して一貫した改善が見られた。