脳梗塞病変のセグメンテーションのための相互利益適応ネットワーク

脳卒中は急性の血管性疾患であり、脳損傷を引き起こす可能性がある。発症率の継続的な上昇に伴い、放射線科医が脳卒中を効果的かつ正確に検出するため、脳卒中病変の自動セグメンテーションツールの開発が急務となっている。深層学習モデルはこのタスクの進展に寄与しているものの、病変のサイズ変動が著しく、境界が不明瞭であるという課題に直面しており、これらはセグメンテーション性能を著しく低下させている。本研究では、サイズ変動への対応力および境界の曖昧さの区別能力を向上させるため、効果的かつ汎用性の高い学習ネットワーク「相互利益適応ネットワーク（Mutual Gain Adaptive Network）」を提案する。本研究の主な貢献は以下の2点である：1）相互利益適応類似性（Mutual Gain Adaptive Similarity: MGAS）ブロック、2）グローバルコンテキスト意識（Global Context-Awareness: GCA）ブロック。MGASブロックは、特徴量の類似性を活用して短距離および長距離の空間的依存関係を捉えることで、グローバルコンテキストのより良い符号化を実現し、異なるサイズの脳卒中病変のセグメンテーションに向けた特徴活性化を強化する。一方、GCAブロックは、低意味的特徴に対してグローバルコンテキストを供給することにより、ピクセルの局所化復元を支援し、曖昧な境界を明確に区別する能力を高める。本ネットワークは公開データセットであるAnatomical Tracings of Lesions After Stroke（ATLAS）を用いて評価された。広範な実験結果から、最先端の手法を上回る性能を示した。