MILD-Net: コロントーモグラフィ画像における腺実体セグメンテーションのための最小情報損失拡張ネットワーク

大腸組織病理学画像における腺の形態解析は、大腸がんのグレードを決定する上で重要なステップです。このタスクの重要性にもかかわらず、手動セグメンテーションは労力がかかる、時間のかかる作業であり、病理学者間での主観性に影響を受けやすいという問題があります。計算機病理学の進展により、手動セグメンテーションの課題を克服することを目指した自動化された腺セグメンテーション手法が開発されています。しかし、腺の外観に大きな変異があり、特定の腺構造と非腺構造を区別することが困難なため、このタスクは容易ではありません。さらに、診断決定において不確実性の測定は不可欠です。これらの課題に対処するために、我々は情報損失を最大プーリングによって引き起こす問題を解決するため、ネットワーク内の複数のポイントで元画像を再導入する完全畳み込みニューラルネットワーク（FCN）を提案します。また、異なる拡大率を使用した空洞空間ピラミッドプーリング（ASPP）と多段階集約を用いて解像度を保つ手法も採用しています。不確実性を取り入れるためには、テスト時にランダムな変換を導入し、セグメンテーション結果を向上させると同時に不確実性マップを生成することで曖昧な領域を強調します。我々はこのマップが高不確実性を持つ予測を無視するための指標として使用できることを示しています。提案されたネットワークは、GlaSチャレンジデータセットおよび独立した第2の大腸腺癌データセットで最先端の性能を達成しています。さらに、他の2つのデータセットから得られた全スライド画像に対して腺インスタンスセグメンテーションを行い、方法の一貫性と汎用性を強調しています。拡張として、腺と腔内同時セグメンテーションを行うMILD-Net+（MILD-Net プラス）を導入し、ネットワークの診断能力向上を目指しています。