境界意識型Transformerを用いた皮膚病変のセグメンテーション

皮膚病変の皮膚鏡画像からのセグメンテーションは、皮膚がんの定量的解析を向上させる上で極めて重要である。しかし、メラノーマの自動セグメンテーションは、メラノーマの多様な形状や病変領域の曖昧な境界線により、非常に困難な課題である。畳み込みニューラルネットワーク（CNN）はこの分野で顕著な進展を遂げてきたが、現存する大多数の手法は、限定された受容野（receptive field）に起因する誘導バイアス（inductive bias）に対抗するためのグローバル依存関係を効果的に捉えることができていない。近年、強力なグローバルアテンション機構を用いることで、グローバルコンテキストモデリングに有望な手法としてトランスフォーマーが提案されたが、セグメンテーションタスクに適用する際の主な欠点の一つは、曖昧な境界線に対処するための十分な局所的詳細を効果的に抽出できない点にある。本研究では、自動皮膚病変セグメンテーションの課題を包括的に解決するため、新しい境界意識型トランスフォーマー（Boundary-aware Transformer, BAT）を提案する。具体的には、トランスフォーマーに新たな境界別アテンションゲート（Boundary-wise Attention Gate, BAG）を統合することで、ネットワーク全体がトランスフォーマーによるグローバルな長距離依存関係のモデル化と、境界に関する事前知識を活用した局所的詳細の強化を同時に実現できるようにした。特に、BAGによる補助的な教師信号は、空間情報が豊富であるため、トランスフォーマーが位置埋め込み（position embedding）を学習するのを支援することができる。広範な実験を通じてBATの有効性を評価した結果、2つの有名なデータセットにおいて、従来の最先端手法を常に上回る性能を示した。