超音波画像のインペインティングにおける安定拡散のドメイン適応：甲状腺結節セグメンテーションの向上のための合成データアプローチ
カテゴリ：診断支援・画像解析
公開日：2026年1月9日
タイトル：Domain adaptation of stable diffusion for ultrasound inpainting: a synthetic data approach for enhanced thyroid nodule segmentation
雑誌名：J Biomed Inform. 2026 Jan; 173: 104963.
概 要：
本研究は、合成画像を用いて甲状腺結節セグメンテーションモデルのクロスドメイン一般化を向上させることを目的としています。具体的には、安定拡散モデルを微調整し、限られた超音波トレーニングデータを補強しました。3つの公的な甲状腺超音波データセット（TN3K、TDID、TUCC）を使用し、合成した甲状腺結節を元の超音波画像に挿入してデータを拡張しました。これにより、ResUNet、DeepLabV3+、MITUnetのセグメンテーションネットワークを訓練し、性能を評価しました。
方 法：
この研究では、TN3K（訓練＋テスト）、TDID、TUCCの3つの公的甲状腺超音波データセットを使用しました。Stable Diffusion v1.4のデノイジングUNetを2303のTN3K結節で微調整し、リアルな甲状腺結節を合成しました。合成した結節を元の超音波画像に挿入し、データを拡張しました。これにより、同一のハイパーパラメータでResUNet、DeepLabV3+、MITUnetを訓練し、Dice類似度係数とIoUで性能を評価しました。
結 果：
TN3Kテストセット（n=614）では、DeepLabV3+のDiceスコアが最大2.2%向上しましたが、外部データセットでは顕著な改善が見られました。TDIDデータセット（n=462）では、DeepLabV3+が38.2%から59.1%に改善し、MITUNetとResUNetもそれぞれ7.1%と6.9%向上しました。TUCCデータセット（n=192）では、DeepLabV3+が11.4%、MITUNetが6.9%、ResUNetが3.1%向上しました。これらの改善は統計的に有意でした（p<0.01）。
結 論：
タスク特化型の安定拡散モデルによって生成された合成画像を用いることで、異なるデバイス、機関、オペレーターで取得されたデータセット間での甲状腺結節セグメンテーションのロバスト性が大幅に向上しました。