セグメンテーション
画像の各ピクセルにラベルを付ける処理。今回なら椎体、脊柱管、椎間板、背景に分類する。
Ahmed et al. 2025 / Modified U-Net
LumbarSeg: 腰椎MRIを4クラスに自動分割する研究
MRI画像から背景・椎体・脊柱管・椎間板をピクセル単位で分類する。論文の核心は、前処理、U-Net改良、Combined Lossを組み合わせて高精度なセグメンテーションを実現した点にある。
T2 SPACE segmentation workflow
MRI入力
Modified U-Net softmax 4 classes
予測マスク
椎体 Vertebrae 脊柱管 Spinal Canal 椎間板 IVDs
論文PDFとリンク
メイン論文PDFをページ内で確認できるようにし、ScienceDirectの論文ページとSPIDERデータセット論文もすぐ開けるようにした。
Main Paper PDF 別タブで開く
重要情報
発表で最初に押さえるべき数字と主張。論文の価値は高解像度データで高精度なだけでなく、前処理で学習しやすい問題に変換した点にもある。
Dataset 218
SPIDERの患者数。4病院から収集された腰椎MRI。
Series 447
T1、T2、T2 SPACEを含むMRIシリーズ数。
Classes 4
背景、椎体、脊柱管、椎間板に統合。
Best Dice 0.97
T2 SPACEで最も高い精度を達成。
データと前処理
元データは3D MHA形式。論文では2Dスライスに変換し、ラベルを4クラスへ統合してから学習に使う。
1
3D MHAから2Dスライス抽出
GPUメモリを抑え、2D U-Netで扱いやすい512×640画像にする。
2
16クラス相当のラベルを4クラスへ統合
個別の椎体番号や椎間板番号ではなく、構造の種類を予測する問題に変換する。
3
不均衡なスライスを除外
背景ばかり、または一部構造が欠ける画像を減らし、学習を安定させる。
4
T1 / T2 / T2 SPACEごとに比較
T2 SPACEは高解像度で境界が見えやすく、最も良い結果が出ている。
SPIDERラベルの統合
0 背景 Background
1-99 椎体 Vertebrae
100 脊柱管 Spinal Canal
200+ 椎間板 Intervertebral Discs
ポイントは、解剖学的な個体番号を当てるのではなく、臨床的に見たい構造カテゴリを正確に塗り分けること。
モデルとアルゴリズム
ベースはU-Net。Encoderで特徴を圧縮し、Decoderで元の画像サイズへ戻しながらピクセルごとのクラスを予測する。
Encoder
Conv、BatchNorm、Leaky ReLU、MaxPoolで局所特徴から抽象特徴へ変換する。
Bottleneck
512チャネル層で複雑な形状や境界情報を保持する。
Skip Connection
細かい位置情報をDecoderへ渡し、境界のぼやけを抑える。
Decoder
Conv2DTransposeで解像度を戻し、構造ごとのマスクを復元する。
Softmax
各ピクセルを4クラスの確率として出力する。
Combined Loss = 0.6 × Focal Loss + 0.4 × Dice Loss
Leaky ReLU
負の入力でも小さな勾配を残し、dying ReLU問題を避ける。
Glorot初期化
重みの初期値を安定させ、深いネットワークの学習を始めやすくする。
Focal + Dice
難しいピクセルと領域の重なりを同時に重視する。
ベースライン実験ビューア
FastGS のプロジェクトページを参考に、処理段階をタブで切り替えながら、実装した CLI の流れを確認できるようにした。
Preprocess
MHA volume to 2D baseline slices
SPIDER の 3D MHA を sagittal 2D slice に展開し、18相当のラベルを4クラスへ統合する。
- sagittal axis inference
- 512 x 640 resize
- 4-class label map
- 55% foreground filter
python preprocess.py --sequences T2_SPACE Train
Modified U-Net training run
Leaky ReLU、Glorot 初期化、512ch bottleneck を持つ U-Net を Combined Loss で学習する。
- batch size 8
- 100 epochs
- Adam lr=1e-4
- checkpoint by val Mean IoU
python train.py --batch_size 8 --epochs 100 Evaluate
Class-wise segmentation metrics
Validation slice で Dice、IoU、Precision、Recall、F1 を構造別に出力する。
- Background
- Vertebrae
- Spinal Canal
- IVDs
python evaluate.py --model_path checkpoints/best_model.keras Paper target vs current baseline
IVDs 0.9688 pending
Vertebrae 0.9712 pending
Spinal Canal 0.9671 pending
精度の説明
主指標はDice。1に近いほど予測マスクと正解マスクの重なりが大きい。T2 SPACEでは各構造で約0.97を達成している。
| 構造 | Dice | IoU | 意味 |
|---|---|---|---|
| 椎間板 IVDs | 0.9688 | 0.9476 | 薄く小さい構造でも高精度に抽出。 |
| 椎体 Vertebrae | 0.9712 | 0.9461 | 大きな骨構造の領域が安定して一致。 |
| 脊柱管 Spinal Canal | 0.9671 | 0.9501 | 細長い管状構造も高い重なりを維持。 |
Dice
予測と正解の重なり。セグメンテーションで最も説明しやすい主指標。
IoU
共通部分を和集合で割った値。Diceより厳しめに出る。
ASD / NSD
境界の距離を見る指標。形状のズレを評価する時に重要。
発表での注意: Dice 0.97は非常に高いが、論文の結果は主にValidationでの報告。非公開Testで同等に出るか、前処理差がどれだけ効いたかは慎重に話す。
難しい単語
検索欄に入力すると用語だけ絞り込める。発表前に自分の言葉で説明できるか確認する場所。
U-Net
医用画像でよく使われるEncoder-Decoder型ネットワーク。Skip Connectionで細部を復元しやすい。
T2 SPACE
T2強調の3D高解像度MRI。境界が明瞭なため、本論文では最高精度になった。
Dice係数
予測マスクと正解マスクの重なりを示す。1に近いほど良い。
IoU
重なった部分を、予測と正解を合わせた領域で割る指標。Diceより数値は低くなりやすい。
Focal Loss
簡単なピクセルより、間違いやすいピクセルに強く学習を向ける損失関数。
Dice Loss
領域の重なりそのものを最大化する方向に学習させる損失関数。
Leaky ReLU
ReLUの改良版。負の値でも少しだけ勾配を流し、学習しないニューロンを減らす。
Glorot / Xavier初期化
層の入力数と出力数に合わせて初期重みを決め、勾配の不安定化を抑える方法。
クラス不均衡
背景ピクセルが多すぎるなど、クラスの量に偏りがある状態。医用画像ではよく問題になる。
卒研メモ
この論文を自分の研究として発展させる時の流れ。まず再現、次に改良、最後に失敗ケースの分析まで行うと卒研として強くなる。
論文再現
SPIDERデータ、4クラス変換、Modified U-Net、Combined Lossを実装し、Dice 0.95以上を目標にする。
改良実験
Attention U-Net、U-Net++、Boundary Loss、Tversky Loss、データ拡張を比較する。
可視化と考察
MRI画像に予測マスクを重ね、どの構造・どの撮像条件で失敗しやすいかを説明する。
発表用まとめ
臨床的意義、技術的工夫、再現結果、論文との差分、自分の改良点を整理する。