MEDICINE & AI

タイトル：Multiplex aggregation combining sample reweight composite network for pathology image segmentation 雑誌名：Artif Intell Med. 2025 Nov; 169: 103239. 概　要： デジタル病理において、核のセグメンテーションは病理画像分析において重要なタスクであり、診断や研究において大きな意義を持っています。しかし、核と背景領域の境界が不明瞭であること、病理画像間のドメインシフト、核の分布が不均一であることがセグメンテーションタスクにおける大きな障害となっています。本研究では、因果推論に基づく多様な集約畳み込みネットワーク（CDNet）を提案し、これによりこれらの問題に対処します。CDNetは、多様な集約畳み込み（DAC）、因果推論モジュール（CIM）、および包括的な損失関数を統合しています。DACは核と背景の境界の不明瞭さを改善し、CIMはモデルのドメイン間一般化能力を向上させます。 方　法： 本研究では、病理画像のセグメンテーションを目的とした新しいネットワークCDNetを開発しました。CDNetは、因果発見の原則に基づく因果推論モジュール（CIM）と多様な集約畳み込み（DAC）を組み合わせ、安定重み付け結合損失関数を設計しました。この損失関数は、チャンク計算されたDice損失、焦点損失、因果推論損失を組み合わせて、核の不均一な分布の問題に対処します。 結　果： CDNetは、MoNuSeg、GLySAC、MoNuSACデータセットにおいて他のモデルを大幅に上回る性能を示しました。具体的には、MoNuSegデータセットでは2番目に優れたモデルに対してmIoUで0.79%、DSCで1.32%の改善、GLySACデータセットではmIoUで2.65%、DSCで2.13%、MoNuSACデータセットではmIoUで1.54%、DSCで1.10%の改善を達成しました。 結　論： CDNetは、病理画像の核セグメンテーションにおいて高い性能を示し、特にドメイン間の一般化能力に優れています。このモデルは、病理画像分析におけるセグメンテーションタスクの改善に寄与する可能性があります。