V-Net: 体積医療画像のセグメンテーションに向けた完全畳み込みニューラルネットワーク

最近、畳み込みニューラルネットワーク（CNNs）は、コンピュータビジョンと医療画像解析の両分野における問題解決に用いられています。しかし、これらの手法の多くは2次元画像のみを処理可能であり、臨床実践で使用される大多数の医療データが3次元ボリュームであるという現状に対応できていません。本研究では、3次元画像セグメンテーションに向けた全畳み込み型ニューラルネットワークを用いたアプローチを提案します。我々のCNNは前立腺を示すMRIボリュームに対してエンドツーエンドで学習され、全体のボリュームに対するセグメンテーションを一度に予測する能力を獲得します。また、学習時に最適化する新しい目的関数としてDice係数に基づくものを導入しました。これにより、前景画素と背景画素の数に大きな不均衡がある場合でも対処できます。訓練用に利用可能な注釈付きボリュームの数が限られている問題に対処するために、ランダムな非線形変換とヒストグラムマッチングによるデータ拡張を行いました。実験評価において、我々のアプローチは挑戦的なテストデータに対して良好な性能を達成し、従来の方法に比べて大幅に少ない処理時間が必要であることが示されました。