MEDICINE & AI

タイトル：MegaSeg: Towards scalable semantic segmentation for megapixel images. 雑誌名：Med Image Anal. 2026 Mar; 109: 103933. 概　要： メガピクセル画像のセグメンテーションは、高解像度の組織病理画像分析において重要ですが、GPUメモリの制約により、パッチ処理やダウンサンプリングが必要となり、全体的および局所的な文脈が損なわれることがあります。本研究では、メガピクセル画像のセマンティックセグメンテーションのためのエンドツーエンドフレームワーク「MegaSeg」を提案します。このフレームワークは、U字型アーキテクチャ内でストリーミング畳み込みネットワークを活用し、分割統治戦略を採用しています。MegaSegは、詳細や構造的文脈を損なうことなく8192×8192ピクセル（67 MP）の画像の効率的なセグメンテーションを可能にし、メモリ使用量を大幅に削減します。また、Attentive Dense Refinement Module（ADRM）を提案し、高解像度画像に存在する文脈情報を捉えつつ、局所的な詳細を効果的に保持・改善します。公開された組織病理データセットでの実験により、グローバルな構造と局所的な詳細の両方を保持しながら優れた性能を示しました。 方　法： 本研究は、メガピクセル画像のセマンティックセグメンテーションを行うためのエンドツーエンドフレームワークを開発しました。MegaSegは、8192×8192ピクセルの画像を対象に、ストリーミング畳み込みネットワークとU字型アーキテクチャを組み合わせたアプローチを採用しています。主要評価指標として、CAMELYON16データセットにおけるFree Response Operating Characteristic（FROC）スコアを用いました。 結　果： MegaSegは、CAMELYON16データセットにおいて、入力サイズを4 MPから67 MPにスケールアップすることで、FROCスコアを0.78から0.89に改善しました。この結果は、メガピクセル画像のセグメンテーションにおけるMegaSegの有効性を示しています。 結　論： MegaSegは、メガピクセル画像のセマンティックセグメンテーションにおいて、詳細や構造的文脈を保持しつつ、メモリ使用量を削減することができる新しいフレームワークです。このアプローチは、大規模な医療画像セグメンテーションにおいて有望な結果を示しており、今後の研究や応用において重要な役割を果たす可能性があります。