部分情報分解を用いたリソース制約下の深層ニューラルネットワーク学習のためのマルチコントラスト3D MRI選択戦略（脳腫瘍セグメンテーション）

マルチコントラスト3D MRIスキャンは脳腫瘍セグメンテーションにおいて豊富な軟部組織コントラスト情報を提供する一方、利用可能な全シーケンスを用いたトレーニングは計算コストが高くなります。この課題に対処するため、研究チームは部分情報分解（Partial Information Decomposition, PID）に基づく事前トレーニング選択戦略を提案しました。この戦略は、トレーニング前に最も情報量の多いMRIコントラスト入力ペアを特定し、セグメンテーション性能を維持しながら計算リソース要件を大幅に削減することを目的としています。フレームワークは、領域腫瘍負荷に関する入力ペア間の冗長情報、固有情報、および相乗情報を計算し、候補ペアをランク付けし、最上位のペアを後続の深層学習モデルトレーニングに選択します。研究チームはこの手法を4つの一般的なMRIコントラストシーケンス（非造影T1であるT1n、造影T1であるT1c、T2強調のT2w、およびT2流体減衰反転回復のT2-FLAIR）に適用したところ、フレームワークはT1c+T2-FLAIRを最適な入力ペアとして選択しました。選択の有効性を検証するため、11個の同一アーキテクチャの軽量3D U-Netを異なる入力構成（単一入力、2入力、3入力、4入力）でトレーニングしました。独立テストセットでの評価結果によると、T1c+T2-FLAIRの2入力構成はすべての2入力構成の中で最も優れた性能を示し、平均Diceスコア0.676を達成しました。これは4入力全構成のスコア0.687にわずかに劣るのみで、その差は0.011であり、PIDで選択されたコンパクトな入力セットがフル構成に近い性能を発揮できることを示しています。さらに、全入力モデルに対するShapley分析でも、T2-FLAIRとT1cが最も影響力のある2つの入力シーケンスであり、それらのペアワイズ相互作用が最も強いことが確認され、PIDフレームワークの発見とよく一致しました。これらの結果は、PIDフレームワークが情報量が最も豊富で冗長性が最小の入力組み合わせを効果的に特定できることを示しており、リソース制約下でのマルチコントラストMRIセグメンテーションに実用的な事前トレーニング選択ツールを提供します。注目すべき点は、PIDフレームワークが各入力単独の情報量だけでなく、入力間の冗長性と相乗効果も定量化するため、単一入力の性能のみに基づく選別手法よりも包括的であることです。この研究は3D医用画像セグメンテーションにおける入力モダリティ選択に新しい視点を提供し、診断精度を維持しつつモデルトレーニングと推論の計算負荷を大幅に削減する可能性があります。将来的には、このフレームワークはマルチシーケンスMRIの脳病変セグメンテーションやマルチパラメータPET/CTなど、他のマルチモーダル医用画像タスクに拡張できるでしょう。