OCTAve：局所性増強を用いた弱教師付き学習における2次元表層光学干渉断層撮影血管造影の血管セグメンテーション

2次元横断的OCTA（光学相干断層血管造影）画像から血管構造を抽出するための深層学習技術の利用は、近年顕著に増加している。しかしながら、網膜血管など曲線構造を有する画像におけるデータアノテーションプロセスは、高コストかつ時間のかかる作業であることが知られており、その問題に対処しようとする試みはまだ少数にとどまっている。本研究では、スクリブルベースの弱教師あり学習手法を用いて、画素レベルのアノテーションを自動化する手法の適用を提案する。本手法はOCTAveと命名され、スクリブルアノテーションによる弱教師あり学習を、敵対的学習および新たな自己教師あり深層監督機構と組み合わせたものである。本研究で提案する新たなメカニズムは、UNet型アーキテクチャの識別層から得られる識別的出力を利用し、訓練中に識別出力の集約値とセグメンテーションマップ予測値の間のカルバック・ライブラー距離（Kullback-Leibler Divergence）を最小化するように設計されている。この統合手法により、実験結果から示されるように、血管構造の局在化精度が向上することが確認された。本手法の有効性は、大規模な公開データセット（ROSE、OCTA-500）を用いて検証された。また、最先端の完全教師ありおよびスクリブルベースの弱教師ありアプローチと比較して、セグメンテーション性能を評価した。本研究で用いた実装コードは、[LINK] にて公開されている。