DKMA-ULD: ドメイン知識を強化した多頭注意に基づく堅牢な普遍的病変検出

深層ネットワークにデータ固有のドメイン知識を明示的に組み込むことで、病変検出に重要な手がかりを提供し、堅牢な検出器の学習に多様な異種データセットが必要となる課題を緩和することができます。本論文では、コンピュータ断層撮影（CT）画像に含まれるドメイン情報を活用し、単一のデータセットであるDeepLesionで学習することで全身のすべての臓器における病変を検出できる堅牢な普遍的な病変検出（ULD）ネットワークを提案します。私たちは、異なる臓器を個別に強調表示するためのヒューリック手法で決定されたCT値（Hounsfield Unit, HU）ウィンドウを使用して生成された強度が異なるCTスライスを解析し、これらの画像が深層ネットワークへの入力として与えられます。複数の強度画像から得られた特徴量は、新規提案される畳み込み強化マルチヘッド自己注意モジュールにより融合され、その後、Region Proposal Network (RPN)へと渡されて病変検出が行われます。さらに、自然画像向けにRPNで使用される伝統的なアンカーボックスが医療画像で見られる病変サイズには適していないことが観察されました。したがって、RPNでの検出性能向上のために病変固有のアンカーサイズと比率を使用することを提案します。私たちは自己監督学習を利用してDeepLesionデータセット上でネットワークの重みを初期化し、さらなるドメイン知識の吸収を目指しました。提案するドメイン知識強化型マルチヘッド注意に基づく普遍的病変検出ネットワークDMKA-ULDは、異なる臓器における病変周囲に洗練され且つ精密なバウンディングボックスを生成します。私たちは公開されているDeepLesionデータセット（約32,000件の全身各臓器に注釈付き病変があるCTスキャンから構成）上で当該ネットワークの効果を評価しました。結果は既存の最先端手法を超えるものであり、全体的な感度87.16%を達成しています。