限られたラベルを用いた深層学習ベースの医療画像セグメンテーション

深層学習（DL）に基づく自動セグメンテーションは、放射線治療アプリケーションにおける正確な器官の境界設定の可能性がありますが、堅牢なモデルを訓練するためには大量のクリーンなラベル付きデータを必要とします。しかし、医療画像の注釈付けは非常に時間がかかり、特にボクセル単位のラベルを必要とするセグメンテーションには臨床の専門知識が求められます。一方で、注釈のない医療画像は豊富でアクセスしやすいです。限られた数のクリーンラベルの影響を軽減するために、ラベルのないデータの豊富さを活用して変形画像登録（DIR）に基づく注釈を用いる弱い監視下のDLトレーニングアプローチを提案します。私たちはDIRを利用して、アトラスの輪郭を豊富なラベル無し画像に伝播させることにより擬似輪郭を生成し、堅牢なDLベースのセグメンテーションモデルを訓練します。10件のラベル付きTCIAデータセットと50件のラベルなしCTスキャンを用いて、私たちのモデルはTCIAテストセットの下顎骨、左および右の耳下腺、左および右の顎下腺に対して87.9%、73.4%、73.4%、63.2%、61.0%のダイス類似係数を達成し、私たちの機関の臨床データセットおよび第三者（PDDCA）データセットでも競争力のある性能を示しました。実験結果は、提案手法が従来のマルチアトラスDIR手法および完全に監視された限られたデータトレーニングを上回っており、限られた注釈データを用いたDLベースの医療画像セグメンテーションアプリケーションに対して有望であることを示しました。