モデル・ジェネシス：3D医療画像解析のための汎用的な自己学習モデル

自然画像から医療画像への転移学習は、医療画像解析におけるディープラーニングの最も実践的なパラダイムの一つとして確立されています。しかし、このパラダイムに適合するためには、CTやMRIなどの主要な画像モダリティにおける3D画像処理タスクを2Dで再定式化し、解く必要があり、豊富な3D解剖情報を失い、性能が必ずしも低下します。この制限を克服するために、我々は「ジェネリック自律学習モデル」（Generic Autodidactic Models）と呼ばれる一連のモデルを構築しました。これらのモデルは、「 Models Genesis」という愛称を持っています。これは、それらが無から創出される（手動ラベリングなし）、自己教育される（自己監督学習によって学ばれる）、汎用的である（アプリケーション固有のターゲットモデルを生成するためのソースモデルとして機能する）という特徴を持つためです。我々の広範な実験結果は、Models Genesisが5つのターゲット3Dアプリケーション（セグメンテーションと分類の両方をカバー）すべてにおいてスクラッチからの学習を大幅に上回ることを示しています。さらに重要なのは、単純に3Dでスクラッチからモデルを学習しても、2DでのImageNetからの転移学習よりも性能が必ずしも向上しない可能性があるということです。しかし、我々のModels Genesisは、ImageNetで事前学習されたモデルの微調整や2D版Models Genesisの微調整など、あらゆる2Dアプローチを一貫して上回り、3D解剖情報の重要性と我々のModels Genesisが3D医療画像に対して持つ意義を確認しています。この性能は、我々が構築した統合的な自己監督学習フレームワークに帰属します。そのフレームワークは単純ながら強力な観察に基づいています：医療画像中の複雑かつ繰り返し現れる解剖構造は、深層モデルが共通の解剖表現を自動的に学ぶために強い監督信号として機能できます。オープンサイエンスの一環として、すべての事前学習済みModels Genesisはhttps://github.com/MrGiovanni/ModelsGenesis で利用可能です。