リスクルーティングによる暗黙的境界精緻化を用いたロバストな超音波画像セグメンテーション

医用超音波画像セグメンテーションは、スペックルノイズ、低コントラスト境界、音響陰影、さらに操作者や臨床施設間の取得変動など、多くの困難に直面しています。エンコーダ-デコーダやトランスフォーマーベースのネットワークは高い性能を示していますが、多くの手法は密なデコーダや大規模なバックボーンを用いて境界詳細を回復するため、外部データ分布の変化下で過度に平滑化された輪郭や不安定な予測を生じる可能性があります。本論文では、Risk-routed Implicit Boundary Refinement（RIBR）を提案します。RIBRは、暗黙的ニューラル表現を制約のない全マスク予測器ではなく、リスクルーティングされた残差補正として利用するコンパクトなセグメンテーションフレームワークです。このフレームワークは、境界精緻化のための暗黙残差、リスクルーティングによる残差制御、および幾何学的形状とスペックルパターンを考慮した境界正則化の3要素を組み合わせます。これにより、不確かな輪郭を精緻化すると同時に、非境界領域での振動を抑制します。評価では、リンパ節、乳腺病変、甲状腺結節、前立腺をカバーする9つの超音波データセットを使用しました。結果として、RIBRはコンパクトなパラメータ予算の下で最高の全体マクロ平均を達成し、臓器別およびグループ別の比較において一貫して境界誤差を低減しました。これらの知見は、制御された暗黙残差学習がリソース制約下で境界感度の高い超音波セグメンテーションに有効な戦略であることを示しています。ソースコードはhttps://github.com/jinggqu/ribrで公開されています。