磁気共鳴画像を用いた脳腫瘍セグメンテーションのための新しいグローバルコンテキスト認識深層ニューラルネットワーク
研究者らは、マルチモーダルMRIから脳腫瘍を正確にセグメンテーションするためのGCSER-UNetという新しい深層学習ネットワークを提案した。このネットワークは空間的・チャネル的注意機構を融合し、TCGA LGGデータセットで94%、BraTS 2020データセットで95%/92%/90%のDiceスコアを達成し、従来の最先端手法を上回った。
脳腫瘍はその悪性度の高さから、正確な診断と治療計画が極めて重要である。特に、磁気共鳴画像（MRI）を用いた腫瘍領域のセグメンテーションは、治療効果の評価や手術計画において不可欠なプロセスである。しかし、手動によるセグメンテーションは専門医の負担が大きく、時間とコストがかかる上に、個人差による誤差が生じやすい。このような背景から、深層学習を用いた自動セグメンテーション技術の開発が盛んに行われている。
この度、インドの研究チームによって提案されたGCSER-UNet（Global Context-aware Squeeze and Excite Residual UNet）は、空間的注意機構とチャネル的注意機構を融合させることで、MRIスライスから腫瘍領域を高精度に抽出する新しいネットワークである。従来のU-Netをベースに、グローバルコンテキスト情報を効果的に取り入れるためのスクイーズアンドエキサイトブロックを改良し、より複雑な空間依存関係を学習できるように設計されている。
提案手法の性能評価は、二つの主要なベンチマークデータセットを用いて行われた。まず、TCGA LGGデータセットでは、Diceスコア94%を達成し、従来の最高値91.8%を上回った。次に、BraTS 2020データセットでは、全腫瘍（WT）、腫瘍コア（TC）、増強腫瘍（ET）の各領域に対して、それぞれ95%、92%、90%のDiceスコアを記録した。特に、増強腫瘍のセグメンテーションは従来の88%から90%へと改善され、境界が不明瞭な領域での性能向上が確認された。
これらの実験結果は、GCSER-UNetが脳腫瘍セグメンテーションにおいて優れた性能を発揮することを示している。研究チームは、本モデルが神経内科医の診断支援ツールとして有用であるだけでなく、個別化医療の実現にも貢献できると期待している。現在、本論文はarXivで公開されており、11ページの本文に9つの図表と6つのテーブルが含まれている。今後の課題として、モデルの軽量化や他臓器の腫瘍セグメンテーションへの応用が挙げられており、臨床現場への実装に向けた研究が進められている。