原題
Automatic medical imaging segmentation via self-supervising large-scale convolutional neural networks.
背景:本研究では、医用画像セグメンテーションのための大規模なディープラーニングモデルの開発に焦点を当て、自己教師付き技術を用いた教師あり学習の限界に対処する。
方法:包括的な多施設CTデータセットを、マスク画像モデリングによる事前トレーニングのために作成した。疎な部分多様体U-Nets(SS-UNets)を設計して事前トレーニングした後、TotalSegmentatorデータセットを微調整し、複数のデータセットにわたって広範な評価を行った。
結果:SS-UNetsは既存の自己教師付き方法よりも優れており、TotalSegmentatorで84.3%のダイス類似度係数を達成し、モデルサイズと相関するパフォーマンスが改善された。
結論:これらの知見は、医用画像における自己教師あり学習の有効性を強調し、ラベル付きデータへの依存を減らし、癌の検出と治療計画のためのモデルの一般化可能性を高める。
Journal: Radiother Oncol (CiteScore 2022: 10.5)
DOI: 10.1016/j.radonc.2025.110711
PMID: 39798701
コメント