深層学習に基づく医用画像セグメンテーションは、臨床診断や新しい治療戦略の開発を支援するためにますます利用されています。しかし、モデルの性能は、高品質なアノテーションデータの不足と画像撮像プロトコル間の汎化不足によって制限されています。この問題はMRIとCTで特に顕著であり、モデルは通常単一の取得シーケンスで訓練され、未知のシーケンスやコントラストに適用されるとロバスト性が低下します。データ拡張は医用画像の一般的なロバスト性を向上させるために広く使用されていますが、クロスモダリティ汎化への影響は定量的に調査されていませんでした。
本研究は、Nathan Molinier、Hendrik Möller、Thomas Dagonneau、Anna Curto-Vilalta、Robert Graf、Matan Atad、Daniel Rueckert、Jan S. Kirschke、Julien Cohen-Adadらによって行われました。彼らは、クロスモダリティ転移を改善するために設計された一連のデータ拡張技術を調査しました。研究チームは、3つの異なる単一モダリティ/シーケンスデータセットで脊椎セグメンテーションモデルを訓練し、CTとMRIにわたる7つの分布外データセットで評価しました。これは、実際の単一シーケンス訓練とマルチシーケンス/コントラスト/モダリティ展開シナリオを反映しています。
結果は顕著でした：未知のドメインにおける平均Dice係数が155%向上し、ドメイン内精度は平均Dice低下0.008%とほぼ維持されました。さらに、CTとMRI間の効果的な転移も達成しました。強いデータ拡張に伴う計算コストを軽減するために、GPU最適化された拡張を実装し、訓練効率を約10%維持・改善しました。このアプローチはオープンソースツールボックスとして公開され、nnUNetやMONAIなどの一般的なフレームワークにシームレスに統合できます。これらの拡張は、訓練速度を損なうことなく、異種臨床画像シナリオに対するロバスト性を大幅に向上させます。
この研究は、クロスモダリティ医用画像セグメンテーションのための効率的で実用的なデータ拡張手法を提供し、臨床応用の促進が期待されます。オープンソースツールボックスの公開は、関連分野のさらなる研究と実践を促進するでしょう。