adversarial CAC-UNetを用いたマルチレベル大腸内視鏡悪性組織検出

自動的かつ客観的な医療診断モデルは、がんの早期発見を実現する上で貴重であり、結果として死亡率の低下に寄与する。本論文では、 adversarial CAC-UNet と呼ばれる独自に設計されたネットワークを用いて、高効率な多レベル悪性組織検出を提案する。負のWSI（Whole Slide Image）を削除するため、事前予測戦略を採用したパッチレベルモデルと、悪性領域をガイドとするラベルスムージング手法を組み合わせる。多モデルアンサンブルによって選択された重要なパッチに対しては、敵対的文脈認識性と外観一貫性を備えたUNet（CAC-UNet）を設計し、堅牢なセグメンテーションを実現する。CAC-UNetでは、巧みに設計された強力なバックボーンネットワークの全特徴マップを、情報損失なくシームレスに融合可能な鏡像構造のディスクリミネータを採用している。さらに、追加のマスク領域ディスクリミネータを導入し、マスク事前知識（mask prior）を用いて正確なセグメンテーションマスクの予測を促進する。本手法は、結腸鏡組織セグメンテーションおよび分類タスクにおいてMICCAI DigestPath2019チャレンジで最良の結果を達成した。実装の詳細および学習済みモデルは、https://github.com/Raykoooo/CAC-UNet にて公開されている。