D-UNet: 慢性脳梗塞病変のセグメンテーションに向けた次元融合U形状ネットワーク

慢性脳梗塞によって引き起こされる病変の位置と範囲を評価することは、医療診断、手術計画、予後判断において極めて重要です。近年、2次元（2D）および3次元（3D）畳み込みニューラルネットワーク（CNN）の急速な発展により、エンコーダー-デコーダー構造が医療画像セグメンテーション分野で大きな可能性を示しています。しかし、2D CNNは医療画像の3D情報を無視し、3D CNNは高い計算リソースを必要とするという問題があります。本論文では、エンコーディング段階で2Dと3Dの畳み込みを革新的に組み合わせた新しいアーキテクチャである次元融合UNet（Dimension-Fusion-UNet, D-UNet）を提案します。提案されたアーキテクチャは2Dネットワークよりも優れたセグメンテーション性能を達成し、3Dネットワークと比較して大幅に少ない計算時間を要します。さらに、ネットワーク学習における正例と負例間のデータ不均衡問題を緩和するために、新たな損失関数であるEnhance Mixing Loss（EML）を提案します。この関数は重み付き焦点係数を追加し、2つの従来の損失関数を組み合わせています。提案手法はATLASデータセットで検証され、3つの最先端手法と比較されました。結果は、提案手法がDSC = 0.5349 ± 0.2763および精度 = 0.6331 ± 0.295という最高品質の性能を達成していることを示しています。