無監督ドメイン適応に基づく多層敵対的学習による交差ドメイン網膜血管セグメンテーション
カテゴリ：高齢者医療・介護
公開日：2026年2月19日
タイトル：Unsupervised domain adaptation multi-level adversarial learning-based crossing-domain retinal vessel segmentation
雑誌名：Comput Biol Med. 2024 Aug; 178: 108759.
概 要：
本研究は、網膜血管の正確なセグメンテーションが心血管疾患、緑内障、網膜症などの診断に重要であることを背景に、異なるソースからの画像におけるセグメンテーションの課題に対処するための新しいフレームワーク「MLAL&PDSF」を提案します。このフレームワークは、特徴層と画像層の両方で動作する多層敵対的ネットワークを導入し、ターゲットドメインとソースドメイン間の分布を整合させることを目指しています。また、自己学習プロセスで生成された擬似ラベルの精度を向上させるために距離比較技術を用いています。
方 法：
本研究では、CHASEDB1、STARE、HRFデータセットを用いてMLAL&PDSFの有効性を評価するための広範な検証と比較実験を実施しました。評価指標には、受信者動作特性曲線の下の面積（AUC）、感度（SE）、特異度（SP）、精度（ACC）、バランスFスコア（F1）が含まれています。
結 果：
無監督ドメイン適応セグメンテーションの性能は顕著であり、DRIVEからCHASEDB1への結果はAUC: 0.9806、SE: 0.7400、SP: 0.9737、ACC: 0.9874、F1: 0.8851であり、DRIVEからSTAREへの結果はAUC: 0.9827、SE: 0.7944、SP: 0.9651、ACC: 0.9826、F1: 0.8326でした。
結 論：
これらの結果は、MLAL&PDSFが交差ドメイン網膜血管データセットからの正確なセグメンテーション結果を達成する上での有効性と堅牢性を示しています。このフレームワークは、交差ドメインセグメンテーションのさらなる進展のための基盤を築き、関連疾患の診断と理解を向上させる可能性があります。