最近、イタリアの研究チームがarXivにて「TopoPult-SSL: Gland-Mask-Free Cross-Device Meibomian Gland Segmentation via Self-Distilled Weak Clinical Priors」と題する論文を発表しました。本論文は、臨床画像装置間のドメインシフト問題に対処するため、新規な二段階セグメンテーションフレームワークを提案しています。著者はNicolò Savioli氏とLuca Del Tongo氏です。
臨床現場では、新しい撮像装置が導入されるたびにドメインシフトが生じ、高密度な腺マスクの取得には多大なコストがかかります。一方で、眼瞼輪郭、Pultグレード、形態計測比といった安価な臨床信号は日常的に記録されています。TopoPult-SSLはこれらの「弱い事前情報」を効果的に活用します。
第1段階（適応段階）では、対象ドメインの腺マスクを訓練損失に使用しません。研究者らは、対象の眼瞼マスクと臨床メタデータのみで駆動する4つの弱い事前情報アンカーを設計し、ソースドメインで事前学習されたモデルをターゲットドメインに適応させます。
第2段階（蒸留段階）は、対象腺マスクが利用可能になった時点で実行されます。この段階では、教師付き自己蒸留技術を用いて、第1段階で得られた複数の相補的教師モデルの知識を単一のコンパクトな生徒ネットワークに圧縮します。蒸留後の生徒モデルは単一パスで高い性能を発揮します。
提案手法の有効性を検証するため、研究チームは公開ベンチマークMGD-1kからCAMG（1000枚から100枚の画像、異なる装置）で評価を行いました。蒸留モデルはDice 0.716±0.006（最高0.726）を達成し、比較手法のUA-MT（0.710）やアンサンブル教師（0.720）を上回りました。特筆すべきは、腺マスクを必要としない第1段階変種が精度0.694を達成したことです。これは汎用セグメンテーションモデルSAM/MedSAMの0.30–0.34（p<0.001）を大幅に上回る結果であり、高密度な腺輪郭のアノテーションなしでの実装が可能であることを示しています。
研究者らはコードと再現可能なスクリプトを公開しており、異機種間臨床画像セグメンテーションに新たな道を開くものです。本研究成果は、眼科医の手動ラベリング負担を軽減し、マイボーム腺機能不全などの自動スクリーニングに貢献することが期待されます。