DC-UNet：医療画像セグメンテーションにおけるデュアルチャネル効率型CNNによるU-Netアーキテクチャの再考

近年、深層学習はコンピュータビジョン分野においてますます注目を集めている。特に畳み込みニューラルネットワーク（CNN）は、画像セグメンテーション分野に画期的な進展をもたらし、医療画像分野において顕著な成果を上げている。このような背景のもと、U-Netは医療画像セグメンテーションタスクにおける主流となるアーキテクチャとして広く採用されている。U-Netは多モーダルな医療画像のセグメンテーションにおいて高い性能を発揮するだけでなく、困難なケースに対しても良好な結果を示すことが知られている。しかしながら、我々は従来のU-Netアーキテクチャにいくつかの限界が存在することを発見した。そこで、以下の改良を実施した：1）エンコーダおよびデコーダ部分に効率的なCNNアーキテクチャを導入し置き換え、2）エンコーダとデコーダ間のスキップ接続をリーダブルモジュール（residual module）で置き換え、最新のU-Netモデルをさらに向上させた。これらの改良を踏まえて、U-Netの後継として有望な新たなアーキテクチャであるDC-UNetを提案した。本研究では、新たな効果的なCNNアーキテクチャを構築し、その上にDC-UNetを構築した。評価実験では、困難なケースを含む3つのデータセットを用いて性能を検証した結果、従来のU-Netと比較して、それぞれ2.90%、1.49%、11.42%の相対的な性能向上が得られた。さらに、グレイスケール画像間の類似度評価において、従来のJaccard係数の代わりにTanimoto係数を採用した。