EffiSegNet：簡略化デコーダを備えた事前学習済みEfficientNetベースネットワークを用いた消化管ポリープセグメンテーション

本研究では、事前学習済みの畳み込みニューラルネットワーク（CNN）分類器をバックボーンとして用いる転移学習を活用した新たなセグメンテーションフレームワーク、EffiSegNetを提案する。従来の対称的なU字型アーキテクチャとは異なり、EffiSegNetはデコーダーを簡素化し、フルスケールの特徴量融合を導入することで、計算コストおよびパラメータ数を最小限に抑える。本モデルは公開されているKvasir-SEGデータセットを用いて胃腸ポリープセグメンテーションタスクに対して評価された結果、最先端の性能を達成した。特に、事前学習バックボーンを用いたEffiSegNet-B4のネットワークバリアントは、F1スコア0.9552、平均Dice係数（mDice）0.9483、平均交差率（mIoU）0.9056、精度（Precision）0.9679、再現率（Recall）0.9429を達成し、本研究の知る限り、このデータセットに対して報告された最高のスコアを記録した。また、初期化から訓練を実施した場合にも、従来手法と比較して優れた性能を示し、F1スコア0.9286、mDice 0.9207、mIoU 0.8668、Precision 0.9311、Recall 0.9262を達成した。これらの結果は、画像セグメンテーションネットワークにおいて適切に設計されたエンコーダーの重要性および転移学習アプローチの有効性を示している。