MEDICINE & AI

タイトル：Efficient few-shot medical image segmentation via self-supervised variational autoencoder 雑誌名：Med Image Anal. 2025 Aug; 104: 103637. 概　要： 本研究では、少数ショット医療画像セグメンテーションのためのEFS-MedSegというエンドツーエンドモデルを開発しました。従来の手法では、登録モデルがラベル付きアトラスを未ラベル画像に合わせて初期マスクを形成し、その後セグメンテーションモデルが精緻化を行いますが、登録中の空間的ミスアライメントが精度を低下させる問題があります。EFS-MedSegは、データ拡張と自己教師あり学習を活用し、2つのラベル付きアトラスと少数の未ラベル画像を使用します。3Dランダムリージョンスイッチ戦略を用いてアトラスを拡張し、セグメンテーションタスクの監視を強化します。さらに、変分オートエンコーダを用いた重み付き再構成タスクにより、Diceスコアが低い領域にモデルの注意を集中させ、アトラス画像の形状に合った正確なセグメンテーションを実現します。 方　法： EFS-MedSegは、2つのラベル付きアトラスと少数の未ラベル画像を用いたエンドツーエンドのコホート研究です。3Dランダムリージョンスイッチ戦略によるデータ拡張と、変分オートエンコーダを用いた重み付き再構成タスクを組み合わせ、自己対比モジュールを導入して解剖学的構造の先行知識に基づく特徴抽出を改善します。主要評価指標はDiceスコアです。 結　果： EFS-MedSegは、OASIS、BCV、BCHデータセットにおいて、完全監視手法と同等の性能を達成し、Diceスコアでそれぞれ1.4%、9.1%、1.1%の差をつけて2番目に良い手法を上回りました。これにより、さまざまなデータセットにおける堅牢性と適応性が示されました。 結　論： EFS-MedSegは、少数ショット医療画像セグメンテーションにおいて高い精度を実現し、従来の手法に比べて優れた性能を示しました。このモデルは、医療画像解析の分野における新たなアプローチとして期待されます。