自己教師あり少サンプル学習によるセマンティックセグメンテーション：アノテーション不要なアプローチ

少量ラベルによる意味分割（Few-shot Semantic Segmentation, FSS）は、医療画像解析分野において大きな可能性を秘めており、限られた訓練データでも正確なオブジェクト分割を実現することが可能である。しかし、従来のFSS手法は、アノテーション済みの意味クラスに強く依存しており、医療画像においてはアノテーションの不足が深刻な問題となるため、その適用が困難である。この課題に対処するため、以下の3つの貢献を提案する。第一に、スペクトル分解法に着想を得て、画像分解問題をグラフ分割問題として再定式化する。自己教師学習ネットワークから得られる特徴類似度行列に基づいて構築されたラプラシアン行列の固有ベクトルを分析し、サポート画像内の対象オブジェクトの分布を推定する。第二に、あらゆるアノテーションに依存しない新しい自己教師学習型FSSフレームワークを提案する。この手法は、サポート画像から得られる固有ベクトルを活用して、クエリ画像のマスクを適応的に推定する。これにより、手動によるアノテーションの必要性が排除され、アノテーションが限られる医療画像への適用に特に適している。第三に、サポート画像から得られる情報をもとにクエリ画像の復号をさらに向上させるため、マルチスケール大カーネル注意機構（multi-scale large kernel attention module）を導入する。このモジュールは、関連する特徴や詳細情報を選択的に強調することで、分割精度を向上させ、オブジェクトの輪郭明確化に寄与する。自然画像および医療画像データセットにおける評価により、本手法の効率性と有効性が実証された。さらに、本手法は汎用性とモデル非依存性を特徴としており、さまざまな深層学習アーキテクチャとのシームレスな統合が可能である。実装コードは、\href{https://github.com/mindflow-institue/annotation_free_fewshot}{\textcolor{magenta}{GitHub}} にて公開されている。