要約
大規模な完全ラベル付き学習データセットを構築することは、特に医療画像セグメンテーションのタスクにおいて費用がかかりがちである。一方で、スクリブル（筆記）と呼ばれる弱い形のラベル付けは、実務上より容易に得られるが、限られたスクリブルによる監視情報からセグメンテーションモデルを学習させることは依然として困難である。こうした課題に対処するため、本研究では、マックスアップ（mixup）戦略とサイクル整合性（cycle consistency）を組み合わせた新しいスクリブル学習ベースの医療画像セグメンテーションフレームワークを提案する。このフレームワークは「CycleMix」と命名されている。監視情報の拡張において、CycleMixはランダムオクルージョン（遮蔽）を専用設計したマックスアップ戦略を採用し、スクリブルの増加および減少を実現する。また、監視情報の正則化として、一貫性損失（consistency loss）を強化した学習目的関数を導入することで、整合性のないセグメンテーションをペナルティ付与し、著しい性能向上を実現している。公開データセットACDCおよびMSCMRsegを用いた実験結果から、本手法が著しい性能を示し、完全監視（fully-supervised）手法と同等、あるいはそれ以上の精度を達成したことが確認された。本研究のコードおよびMSCMRseg用の専門家が作成したスクリブルラベルは、https://github.com/BWGZK/CycleMix にて公開されている。