インタラクティブなデノイジング擬似ラベルと畳み込みコントラスト学習を用いた連合半教師あり医療画像セグメンテーションの進展
カテゴリ：診断支援・画像解析
公開日：2026年4月30日
タイトル：Advancing federated semi-supervised medical image segmentation: A duo of interactive denoising pseudo-labels and convolutional contrastive learning
雑誌名：Med Image Anal. 2026 Apr 21; 112: 104091. doi: 10.1016/j.media.2026.104091.
概 要：
本研究は、連合学習（FL）を用いた医療画像のセグメンテーションにおいて、すべてのクライアントデータがラベル付けされているという前提を超え、ラベルなしデータを扱う連合半教師ありセグメンテーション（FSSS）に焦点を当てています。多くの医療機関が専門のアノテーター不足や高コストのためにラベルなしデータしか提供できない現実を考慮し、ラベル付きクライアントからの情報を基に擬似ラベルを生成し、ラベルなしクライアントの特徴を強化するフレームワークを提案します。
方 法：
本研究では、ラベル付きクライアントを集約してラベルベースの集約モデルを構築し、擬似ラベル生成をガイドします。生成された擬似ラベルの品質を向上させるために、不確実性特徴マップ推定に基づくピクセルレベルのデノイジング手法を開発しました。また、ラベルなしクライアントの特徴識別能力を強化するために、モデル畳み込みコントラスト学習を設計し、動的モデル集約法を用いて各クライアントの寄与を考慮した集約重みを調整します。
結 果：
提案手法は、3つの非独立同分布（Non-IID）セグメンテーションタスクにおいて多角的に評価され、実験結果は本手法の有効性を確認しました。特に、擬似ラベルの品質向上と特徴識別能力の強化が実現されました。
結 論：
本研究は、ラベルなしデータを扱う連合半教師ありセグメンテーションの実用的な課題に対処する新しいフレームワークを提供し、医療画像セグメンテーションの精度向上に寄与する可能性があります。