技術要約：非対ペアのTVUSプロトタイプ事前分布を用いた子宮内膜症におけるクロスモーダルMRI卵巣セグメンテーション

問題提起

磁気共鳴画像法（MRI）における卵巣の正確なセグメンテーションは、子宮内膜症患者における病変（チョコレート嚢胞）の局在化において極めて重要である。しかし、卵巣のサイズが小さいことや、周囲の骨盤構造との境界が不明瞭であることから、このタスクは非常に困難である。経膣超音波検査（TVUS）は、より特徴的な卵巣固有の情報を捉えることが多いが、教師ありクロスモーダル学習のためのペアとなるTVUS–MRI検査の取得は、臨床現場では困難である。既存の研究の多くは単一モダリティの解析や疾患分類に焦点を当てており、クロスモーダルな卵巣セグメンテーションについてはほとんど探索されていない。ペアデータ（対応するデータ）を必要とせずに、TVUSから解剖学的知識を効果的に転移させる手法が不足している。

手法

著者らは、非対のTVUS卵巣マスクを利用して集団レベルの卵巣事前分布を学習し、それをMRI卵巣セグメンテーションの向上に転移させるために設計されたデュアルブランチ・フレームワークを提案している。本手法の核となる構成要素は以下の通りである。

1. MedSAM3バックボーンを用いたデュアルブランチ・アーキテクチャ

本フレームワークは、TVUSおよびMRIの両方のブランチのバックボーンとして、プロンプト可能な概念セグメンテーション・ファウンデーションモデルであるMedSAM3を利用している。

• パラメータ効率の高い微調整（PEFT）： 両ブランチは、学習済みMedSAM3モデルを適応させるためにLow-rank Adaptation（LoRA）を採用している。
• ブランチ構成：
  • TVUSブランチ： ウォームアップフェーズの後、バックボインとLoRAモジュールは凍結される。プロジェクションヘッドは、MRIブランチからの指数移動平均（EMA）を介して更新される。
  • MRIブランチ： LoRAモジュールとプロジェクションヘッドは学習可能である。
• 特徴抽出： ビジョン・トランスフォーマー（ViT）バックボーンは、特徴ピラミッドネットワーク（FPN）を介してマルチスケールの特徴表現を生成する。これらの特徴は、軽量なプロジェクションヘッド（1×1畳み込み、GroupNorm、ReLU、L2正規化）を介して正規化された埋め込みへとマッピングされる。

2. プロトタイプ・バンクの構築

TVUSから解剖学的知識をMRIブランチに注入するために、非対のTVUS卵巣マスクから集団レベルの卵巣前景事前分布を構築する。

• プロトタイプ・メモリ・バンク： このバンクには、前景（$p_{fg}^{TVUS}$）および背景（$p_{bg}^{TVUS}$）のプロトタイプが格納される。
• 抽出： 前景および背景の特徴（$q_{fg}, q_{bg}$）は、マスク平均プーリングを介してTVUS入力から抽出される。
• 更新メカニズム： プロトタイプはEMA戦略を用いて更新される：
  $$p_{fg}^{TVUS}(t) = \alpha p_{fg}^{TVUS}(t-1) + (1-\alpha) q_{fg}^{TVUS}(t)$$
  ここで、$\alpha$はモメンタム係数である。これにより、バッチ固有のノイズではなく、集団レベルの解剖学的構造を表す安定したプロトタイプ事前分布が確保される。

3. プロトタイプ対照学習

データセットが非対であるため、空間的な対応関係は強制されない。代わりに、本フレームワークは特徴空間におけるクロスモーダルな解剖学的整合性を強制する。

• 目的： MRIの卵巣前景特徴（$q_{fg}^{MRI}$）を、TVUSの卵巣前景プロトタイプ（$p_{fg}^{TVUS}$）に近づける一方で、TVUSの背景プロトタイプ（$p_{bg}^{TVUS}$）およびMRIの背景特徴（$q_{bg}^{MRI}$）からは遠ざけるように促す。
• 損失関数： InfoNCE対照損失（$\mathcal{L}_{proto}$）が採用される：
  $$\mathcal{L}_{proto} = -\log \frac{\exp(\text{sim}(q_{fg}^{MRI}, p_{fg}^{TVUS})/\tau)}{\exp(\text{sim}(q_{fg}^{MRI}, p_{fg}^{TVUS})/\tau) + \sum_{z \in \{p_{bg}^{TVUS}, q_{bg}^{MRI}\}} \exp(\text{sim}(q_{fg}^{MRI}, z)/\tau)}$$
• 総損失： 対照損失は、重み$\lambda$を伴う標準的なセグメンテーション損失（$\mathcal{L}_{seg}$）と組み合わされる：
  $$\mathcal{L}_{total} = \mathcal{L}_{seg} + \lambda \mathcal{L}_{proto}$$

4. 学習戦略

• ウォームアップ事前学習： 特徴空間を安定させ、信頼できるプロトタイプを抽出するために、まずTVUSブランチを3エポック独立して事前学習する。
• クロスモーダル学習： その後、TVUSモデルを凍結し、TVUS由来のプロトタイプを用いてMRIブランチを10エポック学習させる。

主な貢献

本論文は、主に以下の3つの貢献を述べている。

1. デュアルブランチ・フレームワーク： MedSAM3に基づき、モダリティ固有の特徴とクロスモーダルな解剖学的表現を学習可能な、MRI卵巣セグメンテーションのための新しいアーキテクチャ。
2. 集団レベルの卵巣事前分布： 非対のTVUS卵巣マスクから構築されたプロトタイプ・バンクの導入。これは、ペアデータを必要とせずにMRIの表現学習に対する解剖学的ガイダンスを提供する。
3. プロトタイプ対照学習： クロスモーダルな解剖学的整合性を強制し、MRIの特徴表現をTVUSから導出された解剖学的に意味のある卵巣特徴へと正則化する戦略。

実験結果

本フレームワークは、公開されている子宮内膜症関連データセットであるOTU-2D（TVUS）およびUT-EndoMRI（MRI）を用いて評価された。

• 定量的性能： 提案されたデュアルブランチ・アプローチは、平均Dice係数（mDICE）**61.0%**および平均平均適合率（mAP）**27.3%**を達成した。
  • これは、完全に微調整されたMedSAM3（54.6%）と比較して5パーセントポイント以上のmDICE向上を示しており、ゼロショットのMedSAM3（14.9%）および2D nnU-Net（28.9%）を大幅に上回っている。
• 定性的観察： 本手法は、ベースラインと比較して、よりコンパクトな予測を生成し、周囲の骨盤領域における偽陽性応答を減少させた。ゼロショットモデルは局在化に苦しみ、nnU-Netは卵巣領域の特定に失敗したが、提案手法は境界の予測を精緻化した。
• アブレーション研究：
  • プロトタイプ・バンク： プロトタイプ・バンクを除去するとmDICEが61.02%から57.74%に低下し、セグメンテーション品質の向上におけるその役割が確認された。
  • ウォームアップ： 3エポックのTVUS単独ウォームアップが最良の結果をもたらした。結合ウォームアップまたはウォームアップなしでは性能が低下した。
  • パラメータ： フレームワークは、対照損失の重み（$\lambda$）およびEMAモメンタム（$\alpha$）の変化に対して頑健性を示し、$\lambda=0.015$および$\alpha=0.95$において最適な性能を示した。

意義と主張

著者らは、本研究が非対のTVUSデータを用いて、テキストプロンプト可能なMRI卵巣セグメンテーションのための有用なクロスモーダル・プロトタイプ事前分布を構築できる可能性を示していると主張している。

• 控えめな性能に関する主張： 本手法は最先端のベースラインを凌駕しているものの、著者らは、MRI卵巣セグメンテーションにおける全体的な性能が依然として「控えめ」であることを認めている。これは、元のデータセットにおける卵巣のアノテーションの可用性の制限と、背景のプロトタイプが解剖学的に類似した構造ではなく、容易なピクセルによって支配されてしまうという課題に起因すると考えている。
• 方法論的洞察： 本研究は、ファウンデーションモデル（ゼロショット）からの直接的な転移はこの特定のタスクには不十分であり、非対のクロスモーダル事前分布によるターゲットドメインへの適応が有効な戦略であることを強調している。
• 今後の方向性： 著者らは、今後の研究として、「ニア・バックグラウンド（近傍背景）」プロトタイプの構築（拡張されたマスクを使用）、特徴の整合性を高めるための自己教師あり学習、および3Dボリュームセグメンテーションや他のモダリティ（例：腹腔鏡ビデオ）への拡張に焦点を当てることを示唆している。