Slater-determinant exclusion gating does not improve polyp segmentation: a controlled evaluation with a prespecified analysis plan

技術要約：ポリープセグメンテーションにおけるスレーター行列式による除外ゲーティング

問題提起
ポリープセグメンテーションネットワークは効果的ではあるものの、空間的に冗長な特徴量を学習しやすく、特にポリープの表面に似た挙動を示す鏡面ハイライトなどの内視鏡由来のアーティファクトに苦慮することが多い。文献において繰り返し見られる問題は、特徴量の冗長性であり、これは隣接する位置にある特徴マップがほぼ同一の情報を持っていることを指す。様々なアテンション機構は特徴量を再重み付けするが、ある位置が隣接する位置に対して線形従属であるかどうかを明示的にテストするものはほとんどない。著者は、量子力学の概念（2つのフェルミオンが同じ状態を占有すると行列式がゼロになる概念）に基づいた、スレーター行列式を用いたレイヤーが「除外ゲート（exclusion gate）」として機能し得るという仮説を立てた。このようなゲートは、理論的には、隣接するベクトルの線形結合であるトークンを抑制し、それによって反復的な粘膜のテクスチャを抑え、ハイライトによる偽陽性を減少させる可能性がある。

手法
本研究では、行列式の効果を他の変数（パラメータ数、一般的なゲーティング、または学習ノイズなど）から分離するために、厳密に制御された評価設計を採用した。

• データセットとプロトコル: 主要な評価にはKvasir-SEGデータセット（1,000枚の画像）を用い、3つのランダムシードにわたって繰り返されたグループ化された5分割交差検証戦略を用いた。データ漏洩を防ぐため、知覚ハッシュを用いて近接する重複フレームを特定してグループ化し、トレーニングセットとテストセットの両方に同じグループが現れないようにした。また、再学習なしで4つの外部データセット（CVC-ClinicDB、CVC-ColonDB、ETIS-LaribPolypDB、CVC-300）に対するゼロショットテストも実施した。
• スレーター除外ゲート: 提案されたモジュールは、特徴マップを $4 \times 4$ のウィンドウに分割する。各トークンは、共有パーセプトロンを介して軌道ベクトル（orbital vector）へとマッピングされる。ゲートは、各トークンの軌道ベクトルと、その隣接するベクトルのスパン（生成する空間）とのシュア補行列距離（Schur-complement distance）に基づいてスコアを計算する。このスコアは、トークンが隣接するトークンの線形結合である場合、正確にゼロとなる。
• コントロールおよびベースライン: 研究では、スレーターゲートを以下のものと比較することで、公平な比較を確保した：
  1. U-Net ベースライン（ResNet-34エンコーダ）。
  2. SEコントロール: 同様の軌道ネットワークを使用しているが、トークン間の相互作用（行列式）を持たない、パラメータ数が一致したゲート。
  3. ペアコントロール: 線形結合ではなく、ペアごとの重複のみを検出するゲート。
  4. Slater + Pauli バリアント: 多様性を促進するために、損失関数にログ行列式ペナルティ（パウリ項）を追加したスレーターゲート。
• 分析計画: 仮説、その順序、および決定ルールは、トレーニング開始前にコード内で固定された。主要な指標は、画像ごとのDiceスコアとした。統計的有意性は、トレーニングの分散を考慮するため、ウィルコクソンの符号付順位検定、ブートストラップ信頼区間、およびNadeau–Bengio補正を用いて評価された。

主な結果
スレーター除外ゲートは、一致するコントロールと比較して、セグメンテーション性能の向上を実現できなかった。

• 主要な結果: スレーターゲートの平均Diceスコアは 0.9006 であり、SEコントロール（0.9007）と区別がつかず、プレーンなU-Net（0.9038）よりもわずかに低かった。その差は $-0.0001$（95$-0.0031$～$0.0029$）であり、この設定において行列式が利益をもたらさないという帰無仮説を裏付けた。
• アーティファクト処理: ゲートは鏡面ハイライト内部の偽陽性を減少させなかった。実際、スレーターゲートによるハイライト内の偽陽性率は3.04%であり、コントロールの2.87%よりもわずかに高かった。
• 失敗のメカニズム: 診断分析により、ゲートがほぼすべての深いトークンを減衰させていることが判明した。ストライド32において、平均ゲート値は 0.08 まで低下した。深い特徴マップは空間的に緩やかに変化するため、$4 \times 4$ ウィンドウ内のトークンは自然に線形従属に近い状態となる。その結果、ゲートはマップ全体を冗長であると扱い、特定のアーティファクトの位置に関する情報を提供することなく、事実上マップを再スケーリングしてしまった。後続レイヤーのバッチ正規化が、この一様なスケーリングを大部分吸収していた。
• 冗長性ペナルティ: 行列式をゲーティング機構としてではなく、損失関数におけるソフトペナルティ（ログ行列式）として使用した場合、トークン間の冗長性を 14% 削減することに成功した（平均コサイン類似度が約0.55から0.47に低下）。しかし、この冗長性の減少は、Diceスコアの向上や外部データセットへの汎化性能の向上には結びつかなかった。

意義と主張
本論文は、厳密なコントロールなしに新しいモジュールの利点を報告する傾向に対し、警鐘を鳴らすための「負の結果（negative result）」の研究として位置づけられている。

• 厳密な評価: 著者は、本研究が、一致するコントロール、グループ化された交差検証、および事前指定された分析計画の必要性を実証していると主張している。彼らは、セグメンテーションタスクにおけるフォールド間の変動は、新しいモジュールによって報告される利得と同じくらい大きい可能性があると指摘している。厳密なコントロールがなければ、単一の実行によって、最大0.036のDiceスコアの差に相当する誤った利得または損失が示唆されたかもしれない。
• 代数的性質と画像特性: 本研究は、線形従属の代数的テストは正確であるが、ディープな特徴表現は、単純な除外ゲートが有用となるような方法で画像レベルのアーティファクト（ハイライトなど）を追跡していないと結論付けている。線形従属は表現の特性であるが、アーティファクトは画像の特性である。ゲートが失敗したのは、前者が後者を予測できなかったためである。
• 再現性: 著者は、PraNetおよびPolyp-PVTの公式結果をビット単位で再現した検証済みの実装とともに、コード、データ分割、およびスレーターゲートの実装を公開し、同様の「量子に着想を得た」モジュールを堅牢なベースラインに対してテストしやすくしている。

要約すると、本論文は、除外ゲートとして実装された冗長性の正確な代数的テストは、セグメンテーションネットワークの精度や内視鏡アーティファクトに対する堅牢性を向上させないことを主張している。行列式は、損失ペナルティとして使用すれば冗長性を効果的に減少させることができるが、その減少自体はセグメンテーション性能を向上させない。