網膜血管セグメンテーションは、糖尿病網膜症や緑内障の早期発見において極めて重要な役割を果たします。近年、深層学習モデルはセグメンテーション精度の面で大きな進歩を遂げていますが、その多くは大量の計算リソースを必要とするため、エッジデバイスへの実展開が困難です。この課題に対処するため、研究者らはLightVesselNetを提案しました。これは、リソースが制限された環境での網膜血管セグメンテーションのために設計された効率的なニューラルネットワークです。
LightVesselNetの核心的な強みは、その極めて小さなモデルサイズにあります。わずか75,000個のパラメータしか持たないにもかかわらず、網膜血管セグメンテーションタスクにおいて、はるかに大規模なモデルと競合する性能を発揮します。このネットワークは、コンパクトなエンコーダ・デコーダアーキテクチャを採用し、いくつかの強化技術を統合しています。チャネルおよび空間アテンション機構は、ネットワークが重要な特徴領域に焦点を当てるのを助けます。ボトルネックにおけるマルチスケール特徴集約モジュールは、異なるスケールのコンテキスト情報を捉えます。デコーダにおけるサブピクセルアップサンプリング戦略は、空間解像度の回復に貢献します。さらに、専用のエッジ残差接続がデコードプロセス全体を通じて微細な血管の詳細を保持し、これは細い血管構造の正確なセグメンテーションに特に重要です。
LightVesselNetの有効性を検証するため、研究者らは5つの公開データセット（DRIVE、STARE、CHASEDB1、FIVES、HRF）で広範な実験を行いました。実験結果によると、これらのデータセットでの感度スコアはそれぞれ0.8189、0.8499、0.8640、0.8634、0.8096であり、Dice係数はそれぞれ0.8070、0.8072、0.8181、0.8649、0.7686でした。これらの指標は、パラメータ数が非常に少ないにもかかわらず、LightVesselNetが競争力のあるセグメンテーション性能を達成できることを示しています。
最先端のモデルと比較して、LightVesselNetは効率の面で明確な優位性を示します。つまり、性能対パラメータ数またはGFlopsの比率が高いのです。これは、同じ計算予算でより良いセグメンテーション結果が得られるか、あるいはより少ない計算リソースで同様の性能が達成できることを意味します。さらに、クロスデータセット評価によりモデルの汎化能力が確認され、異なるソースの画像データに適応できることが示されました。
結論として、LightVesselNetは低リソースの臨床現場やモバイルスクリーニングツールへの展開の有力候補です。その超軽量特性により、携帯型医療機器やスマートフォンなど、計算能力が限られたデバイスでの実行に非常に適しています。これにより、医療リソースが乏しい地域での網膜スクリーニングの拡大に貢献する可能性があります。この研究は、エッジデバイス上で効率的かつ正確な医用画像解析を実現するための新たな道を開くものです。