IterNet：血管ネットワークにおける構造的冗長性を活用した網膜画像のセグメンテーション

網膜血管のセグメンテーションは、網膜血管疾患の診断において極めて重要な役割を果たす。より高い血管セグメンテーション性能を実現するために、本研究ではUNetをベースにした新しいモデルであるIterNetを提案する。IterNetは、元の入力画像ではなく、既にセグメンテーションが行われた血管画像から、隠れた詳細情報を抽出する能力を有している。IterNetは、ミニUNetを複数回反復（イテレーション）する構造を採用しており、通常のUNetと比較して最大4倍の深さを持つことができる。また、重み共有とスキップ接続の特徴を導入することで、学習を促進しており、非常に大きなネットワーク構造を有しながらも、事前学習や事前知識を用いずに、わずか10～20枚のラベル付き画像からも学習が可能である。IterNetは、代表的な3つのデータセット（DRIVE、CHASE-DB1、STARE）において、それぞれAUC 0.9816、0.9851、0.9881を達成し、現在の文献において最も高いスコアを記録している。ソースコードは公開されている。