SelfReg-UNet：医療画像セグメンテーションのための自己正則化UNet

UNetの導入以来、その性能は多様な医療画像セグメンテーションタスクをリードしてきている。標準UNetの性能向上を目指す多数の後続研究が存在する一方で、UNetが医療画像セグメンテーションにおいて学習する背後にある特徴パターンについての深層的な分析は依然として少ない。本論文では、UNetが学習するパターンを調査し、性能に影響を及ぼす可能性のある2つの重要な要因を観察した。すなわち、(i) 非対称な監視（asymmetric supervision）によって生じる関係のない特徴の学習、および (ii) 特徴マップ内に生じる特徴の冗長性である。これらの課題に対処するため、エンコーダとデコーダ間の監視バランスを調整し、UNet内の冗長な情報を低減する手法を提案する。具体的には、最も意味情報を含む特徴マップ（すなわちデコーダの最終層）を用いて、他のブロックに対しても追加の監視を提供し、特徴蒸留（feature distillation）を活用して特徴の冗長性を削減する。提案手法は、既存のUNetアーキテクチャに「プラグアンドプレイ」の形で容易に統合可能であり、計算コストはほとんど増加しない。実験結果から、提案手法は4つの医療画像セグメンテーションデータセットにおいて、標準UNetの性能を一貫して向上させることを示した。コードは以下のURLから公開されている：\url{https://github.com/ChongQingNoSubway/SelfReg-UNet}