一回多任务ネットワークとクロスタスクガイデッドアテンションを用いた脳腫瘍セグメンテーション

クラスの不均衡は、医療画像セグメンテーションにおける主要な課題の一つとして浮上しています。モデルカスケード（MC）戦略は、粗いセグメンテーションから細かいセグメンテーションへと一連の個別の深層モデルを実行することで、クラスの不均衡問題を大幅に軽減します。しかし、この方法はシステムの複雑さを引き起こし、モデル間の相関関係を見逃すという欠点があります。これらの欠点に対処するため、私たちはクラスの不均衡問題をより効果的に解決し、かつ単一パス計算のみを必要とする軽量な深層モデルであるOne-pass Multi-task Network (OM-Net)を提案します。まず、OM-Netは分離されたセグメンテーションタスクを1つの深層モデルに統合し、共有パラメータを使用して共通特徴を学習するとともに、タスク固有のパラメータを使用して差別化特徴を学習します。次に、OM-Netをより効果的に最適化するために、タスク間の相関関係を利用し、オンライン訓練データ転送戦略とカリキュラム学習に基づく訓練戦略を設計しました。さらに、タスク間での予測結果の共有とクロスタスクガイデッドアテンション（CGA）モジュールを提案し、カテゴリ固有の統計情報に基づいてチャネルごとの特徴応答を適応的に再調整します。最後に、シンプルでありながら効果的な後処理手法が導入され、セグメンテーション結果が洗練されます。広範な実験が行われており、提案技術の有効性が示されています。特に注目に値するのは、BraTS 2015テストセットおよびBraTS 2017オンライン検証セットで最先端の性能を達成したことです。これらの提案手法を使用することで、64チーム参加の中でもBraTS 2018チャレンジで共同3位に入賞しました。コードは公開されており、https://github.com/chenhong-zhou/OM-Net から入手可能です。