AIが拓く、放射線治療におけるLAD冠動脈3Dセグメンテーションの精度向上

9月 16, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: A neighborhood attention transformer network for enhanced 3D segmentation of the left anterior descending artery
Medical Physics｜被引用数: 0（2026年9月16日時点）

胸部放射線治療における心臓のLAD冠動脈の正確なセグメンテーションは、対象者の安全と治療効果の最大化に不可欠です。しかし、LAD動脈の小ささ、コントラストの低さ、形態の多様性により、特に非造影CTではその描出は極めて困難な課題でした。今回ご紹介する研究では、この難題に挑むべく、Transformerベースの新しいセグメンテーションモデル「NA-UNETR」が開発されました。NA-UNETRは、局所的および大局的なコンテキストモデリング、不確実性誘導型最適化、そして限られたアノテーションデータに対応する革新的な学習戦略を統合することで、この困難な課題に新たな光を当てています。

研究サマリー（FINER & PICO）

Feasible実施可能性	限られたLAD動脈の非造影CTデータと既存のCCTAデータで高いセグメンテーション精度を達成。
Ethical倫理面	放射線治療時の心臓線量低減に貢献し、対象者の放射線誘発性心疾患リスクを減らす可能性。
Interesting面白さ	局所的近傍アテンションと大局的コンテキストモデリング、不確実性誘導型損失の組み合わせが新規。
Novel新規性	非造影CTにおけるLADセグメンテーションに対し、NAとLoRAを統合したTransformerの新規適用。
Relevant切実さ	胸部放射線治療計画におけるLAD動脈の正確な評価を通じて心臓線量低減に直結。
Measurable測定可能性	Diceスコア、HD95、ASD、clDiceなどの指標でセグメンテーション性能を定量的に評価。
Modifiable派生・改善	事前学習とLoRAによるパラメータ効率的なファインチューニングで、異なるデータセットへ適応可能。
Structured文章構造	NA/DiNAブロックを組み込んだ3Dエンコーダ・デコーダ型Transformerアーキテクチャ。
PICO / PECO対象・介入・比較・結果	P: 胸部放射線治療対象者。I: NA-UNETRによるLAD動脈セグメンテーション。C: 既存手法。O: LAD動脈の正確な3Dセグメンテーション。

はじめに：なぜLAD冠動脈の正確なセグメンテーションが重要なのか？

どうも、Beyond the Pixelです。胸部放射線治療、特に肺がん、食道がん、乳がんなどの治療を受ける対象者にとって、放射線誘発性心疾患（RIHD）は深刻な懸念事項となっています。治療後、心膜炎などの急性作用だけでなく、冠動脈疾患や心不全といった晩期作用が数十年続く可能性があり、心臓への線量低減は極めて重要です。心臓の微細構造の中でも、左前下行枝（LAD）冠動脈は、その解剖学的位置と左心室の大部分を栄養する役割から、放射線による損傷を特に受けやすいとされています。LAD動脈に15Gy以上の線量が照射される体積が10%を超えると、主要な心臓有害事象のリスクが有意に増加することが指摘されています。しかし、LAD動脈は非常に小さく、軟組織とのコントラストが低く、対象者間で形態が大きく異なるため、通常の呼吸下で行われる非造影CT画像でのLAD動脈の正確なセグメンテーションは、極めて困難な課題です。専門家による手動の輪郭線引きでさえ、非造影CTでは専門家間の意見の一致度が限定的であり、血管境界の曖昧さが浮き彫りになっています。これまでのセグメンテーション手法、例えばアトラスベースの方法や、U-Net、nnU-Netといった畳み込みニューラルネットワーク（CNN）ベースの深層学習アプローチも、非造影CTでは性能が限られていました。この研究では、このような課題を克服するため、局所的および大局的なコンテキストモデリングと不確実性誘導型最適化を利用して、低コントラストで不均衡なCT画像におけるLAD動脈のセグメンテーションを強化する、Transformerベースの新しいフレームワーク「NA-UNETR」を提案しています。NA-UNETRの全体的なアーキテクチャは、エンコーダ側が複数のNATブロックと残留畳み込み（Res-Conv）層で構成され、デコーダ側がエンコーダからのスキップ接続とアップサンプリングを利用して最終的なセグメンテーション出力を生成します。

**Figure 1.** FIGURE 1 Overall architecture of the proposed NA-UNETR model. The encoder side is divided into four encoder stages, each containing multiple NAT blocks preceded by a residual convolution (Res-Conv) layer. Skip connections link encoder stages to the corresponding decoder stages, which use residual blocks and upsampling to produce the ﬁnal segmentation output. Each NAT block can be conﬁgured to include DiNA in addition to standard NA, or to use only NA without dilation.解説: NA-UNETRモデルの全体的なアーキテクチャを示しています。エンコーダは複数のNATブロックとResidual Convolution層で構成され、デコーダはエンコーダからのスキップ接続とアップサンプリングを用いて最終的なセグメンテーション出力を生成します。各NATブロックは、標準の近傍アテンション（NA）または拡張NA（DiNA）を含むように構成可能です。

NA-UNETRの革新的なアプローチ

この研究では、LAD動脈の困難なセグメンテーション課題に対し、いくつかの革新的なアプローチを統合しています。NA-UNETRは、細い血管構造を正確に捉えるために、局所的な精度と大局的なコンテキストのバランスを取ることを目指しています。

NA-UNETRの核となる技術：近傍アテンション（NA）と拡張NA（DiNA）

NA-UNETRは、主に近傍アテンション（NA）と拡張NA（DiNA）ブロックを特徴とする3D Transformerベースのセグメンテーションモデルです。NAは、トークン間の相互作用を空間的に局所的な近傍に制限することで、計算効率の高いアテンションを実現します。これにより、細く低コントラストな血管構造の境界線をより正確に描出できます。DiNAは、受容野を層間で漸進的に拡張するために、拡張された近傍をサンプリングします。これにより、完全な大局的相互作用に頼ることなく、より長い血管セグメントのコンテキストを統合し、局所的な構造的忠実度とバランスを取ります。これらのブロックを組み合わせることで、NA-UNETRは微細な構造の詳細と長距離のコンテキストを同時に捕捉し、薄く低コントラストのLAD構造の正確なセグメンテーションを可能にします。エンコーダ部分では、オーバーラッピングトークナイザとRes-Conv層を使用し、複数の近傍アテンショントランスフォーマー（NAT）ブロックを組み込むことで、局所的な空間的依存関係を捕捉します。デコーダ側では、対称的なU字型デザインに従い、スキップ接続を介してエンコーダからの意味情報を統合しながら、空間解像度を段階的に再構築します。

希少なデータへの対応：事前学習とLoRAによるファインチューニング

LAD動脈のラベル付きデータが限られているという課題に対処するため、NA-UNETRは2段階の転移学習戦略を採用しています。まず、一般的な冠動脈の解剖学的構造を示す1000の冠動脈CTアンギオグラフィ（CCTA）ボリュームからなるImageCASデータセットでモデルを事前学習させます。この事前学習により、より小さなLAD動脈セグメンテーションのデータセットに効果的に転移できる、冠動脈構造の汎用的なエンコーダ表現を獲得します。次に、LAD動脈の20の通常の呼吸下での医療施設CTスキャンデータセット（LAD-SEG）に対して、パラメータ効率の高い適応戦略であるLoRA（Low-Rank Adaptation）を使用してファインチューニングを行います。LoRAは、すべての重みを再学習することなく、大規模モデルを効率的に適応させる方法です。具体的には、エンコーダ内のアテンション層は凍結され、デコーダのパラメータと挿入されたLoRAアダプターのみがファインチューニングされます。このアプローチは、専門家によってラベル付けされたLADデータの希少性に直接対処し、スモールデータボトルネックに対する原則的な解決策を提供します。

**Figure 4.** FIGURE 4 Overview of the two experimental approaches: the top section shows pretraining on ImageCAS followed by ﬁne-tuning on LAD-SEG, while the bottom section shows direct training on ImageCAS.解説: 2つの実験的アプローチの概要を示しています。上段はImageCASでの事前学習とLAD-SEGでのファインチューニングを、下段はImageCASでの直接トレーニングを表しています。

は、事前学習とファインチューニングのアプローチ、および単一データセットでの直接学習のアプローチの概要を示しています。

困難な画像特性を克服する工夫：前処理、損失関数、後処理

LAD動脈セグメンテーションの困難さを軽減するため、この研究では特別なデータ前処理パイプラインと損失関数、後処理手順を適用しています。前処理には、クラスの不均衡と低い血管対背景コントラストに対処するための様々なステップが含まれます。例えば、LAD動脈の典型的な空間範囲と形態に基づいてトレーニングパッチを抽出し、陽性（LAD）と陰性（背景）領域から等しい数のパッチをクロップすることで、クラスの不均衡を軽減します。また、CT画像を[-200, 400]HUに強度クリッピングし、[0, 1]に線形再スケーリングすることでコントラストを標準化します。さらに、ガンマ調整因子による局所コントラスト強調や、Savitzky–Golayフィルターによる平滑化も行われます。

**Figure 2.** FIGURE 2 Overview of preprocessing, postprocessing, and augmentation used to address severe class imbalance and enhance vessel-to-background contrast in non-contrast CT scans.解説: 非造影CTスキャンにおける重度のクラス不均衡に対処し、血管と背景のコントラストを強化するために使用される前処理、後処理、およびデータ拡張の概要を示しています。

は、前処理、後処理、およびデータ拡張の概要を示しており、

**Figure 3.** FIGURE 3 LAD artery segmentation without preprocessing (left) and with preprocessing (right). Each shows a low-contrast CT patch and its predicted mask overlaid on the ground truth (yellow). Red boxes highlight regions where preprocessing improves vessel edge clarity and continuity.解説: LAD動脈セグメンテーションの定性的結果を、前処理なし（左）と前処理あり（右）で比較しています。各画像は、低コントラストのCTパッチと、グラウンドトゥルース（黄色）に重ね合わされた予測マスクを示しています。赤いボックスは、前処理によって血管エッジの明瞭さと連続性が向上した領域を強調しています。

は、前処理の有無によるLAD動脈セグメンテーションの改善を視覚的に示しています。前処理された画像では、低コントラスト領域における血管のエッジの明瞭さと連続性が向上していることが分かります。セグメンテーション精度と並行して境界の整合性を向上させるため、Dice-Focal損失と境界認識型Hausdorff損失を組み合わせた損失関数が導入されています。これらの2つの損失成分は、学習中にそれぞれの相対的な寄与が動的に調整される「ホモセダスな不確実性重み付け」を用いてバランスが取られます。後処理としては、予測されたLADマスクを洗練し、偽陽性を減らすために、最大の連結成分のみを保持し、64ボクセル未満の連結成分を除去し、LAD領域内の残存する穴を埋めるという3段階のパイプラインが適用されます。

NA-UNETRの性能：定量的・定性的な評価

NA-UNETRの有効性を評価するため、2つの異なるデータセットと複数のベンチマークモデルを用いて、定量的および定性的な分析が行われました。

評価データセット：LAD-SEGとImageCAS

評価には、専門家によって輪郭が描かれたLAD動脈のグラウンドトゥルースデータを持つ、20名の肺がん対象者の自由呼吸3D CTスキャンからなる医療施設データセット「LAD-SEG」が使用されました。このデータセットは、平均フォアグラウンド比率が1.7 × 10^-5と非常に小さく、低コントラストなLAD動脈構造を持つため、特に挑戦的なデータセットです。また、冠動脈CTアンギオグラフィ（CCTA）画像からの冠動脈セグメンテーションのために設計された大規模な公開ベンチマークデータセット「ImageCAS」（1000の3D CCTAボリューム）も活用され、モデルの汎用性が評価されました。

定性的評価：より鮮明な動脈描出

**Figure 5.** FIGURE 5 Representative qualitative results on randomly selected slices from the LAD-SEG and ImageCAS validation datasets. Each row corresponds to a randomly chosen slice from a randomly selected case. The ﬁrst column shows the CT image, followed by the ground truth annotation, and predictions obtained using the proposed NA-UNETR (ours) and other state-of-the-art (SOTA) segmentation models. To facilitate visual comparison of the vascular structures, the red bounding boxes indicate manually selected regions containing the target vessel and are shown as zoomed-in views of the predicted masks.解説: LAD-SEGおよびImageCAS検証データセットからランダムに選択されたスライスにおける代表的な定性的結果を示しています。各行はランダムに選択されたケースから選ばれたスライスに対応し、CT画像、グラウンドトゥルースアノテーション、提案されたNA-UNETRおよび他の最先端（SOTA）セグメンテーションモデルによる予測が表示されています。赤色のバウンディングボックスは、ターゲット血管を含む領域の拡大図を示しています。

は、LAD-SEGおよびImageCAS検証データセットからランダムに選択されたスライスにおける代表的な定性的結果を示しています。NA-UNETRは、ベンチマークモデルと比較して、冠動脈のより鮮明で正確な描出を提供していることが分かります。NA-UNETRは、グラウンドトゥルースにより密接に一致する血管の輪郭を一貫して生成しており、一方、他の最先端手法（SOTA）は断片化された境界、偽の予測、または見落とされたセグメントを示すことがありました。これらの改善は、低コントラストで細い血管境界を持つLAD-SEGデータセットで特に顕著でした。さらに、

**Figure 6.** FIGURE 6 Representative axial, coronal, and sagittal views with zoomed-in ROI insets (yellow boxes) highlighting the segmented LAD region across Ground Truth, NA-UNETR, and nnU-Net predictions.解説: グラウンドトゥルース、NA-UNETR、およびnnU-Netの予測においてセグメンテーションされたLAD領域を強調する、軸状、冠状、矢状方向の代表的なビューと、ROIの拡大インセット（黄色ボックス）を示しています。

では、NA-UNETRとnnU-Netの3次元構造の一貫性を比較するため、軸状、冠状、矢状方向の代表的なビューが示されています。

定量的評価：Diceスコアと境界精度

NA-UNETRの性能は、Dice類似度係数（DSC）、中心線Dice（clDice）、95パーセンタイルHausdorff距離（HD95）、平均表面距離（ASD）の4つの主要な指標で評価されました。LAD-SEGデータセットでは、NA-UNETRがDSC 45.64%、clDice 44.39%、HD95 38.16 mm、ASD 10.01 mmという最も強力な結果を達成しました（

**Table 1.** TABLE 1 Quantitative results of NA-UNETR against different SOTA models on our institutional data LAD-SEG (both CNN-based and Transformer-based). Each entry reports the mean ± standard deviation. NA-UNETR (no-dil.) is NA-UNETR with NA blocks instead of DiNA blocks. The best results are bolded.解説: NA-UNETRとさまざまな最先端（SOTA）モデル（CNNベースおよびTransformerベースの両方）を、医療施設データであるLAD-SEGで比較した定量的結果の概要です。NA-UNETR (no-dil.)はNAブロックの代わりにDiNAブロックを使用しないNA-UNETRのバリアントです。各項目は平均値±標準偏差で報告されており、最高のパフォーマンスは太字で示されています。

）。これは、nnU-Netと比較してDiceスコアを3.10パーセンテージポイント向上させ、Swin UNETRと比較してHD95を2.96 mm削減しています。NA-UNETRはすべてのモデルの中で最も強力な境界精度を示し、幾何学的および中心線の安定性も向上していることが示されました。一方、ImageCASデータセットでは、NA-UNETRがDSC 79.49%、clDice 86.88%、HD95 8.89 mm、ASD 1.02 mmを達成し、他のすべてのモデルを上回りました（

**Table 2.** TABLE 2 Quantitative results of NA-UNETR against different SOTA models on the public data ImageCAS dataset (both CNN-based and Transformer-based). NA-UNETR (no-dil.) is NA-UNETR with NA blocks instead of DiNA blocks. Each entry reports the mean ± standard deviation. The best results are bolded.解説: NA-UNETRとさまざまな最先端（SOTA）モデル（CNNベースおよびTransformerベースの両方）を、公開データであるImageCASデータセットで比較した定量的結果の概要です。NA-UNETR (no-dil.)はNAブロックの代わりにDiNAブロックを使用しないNA-UNETRのバリアントです。各項目は平均値±標準偏差で報告されており、最高のパフォーマンスは太字で示されています。

）。これは、UNet++と比較してDiceスコアを1.2パーセンテージポイント向上させ、Swin UNETRと比較してHD95を4%削減、次に優れたモデルと比較してASDを約9%削減しており、最高の中心線精度を達成しました。Mann–Whitney U検定により、ImageCASにおけるNA-UNETRの改善は統計的に有意であることが確認されました（p < 0.05）。

アブレーション研究：各要素の貢献

**Table 3.** TABLE 3 Ablation studies: various architecture settings.解説: さまざまなアーキテクチャ設定に関するアブレーション研究の結果を示しています。NATブロックのステージごとの数、残留ブロックの有無、カーネルサイズの違いがDSC、HD95、およびASDに与える影響が比較されています。

は、NA-UNETRにおけるいくつかの主要な設計選択の効果を示しています。デフォルト設定は、非均一なNAT深度（3,4,6,18,5）、各NATブロック前の残留ブロック、およびステージ間の可変カーネルサイズを使用しています。NAT深度の削減や、残留ブロックの削除、固定カーネルの使用はいずれもDSCの低下と境界誤差の増加につながり、これらの設計要素が性能安定性と局所特徴抽出に貢献していることが確認されました。LoRAランクについては、

**Table 4.** TABLE 4 Ablation study on LoRA rank r.解説: LoRAランクrの感度に関するアブレーション研究の結果を示しています。異なるランクrの値（2, 4, 8, 16）がDSC、HD95、およびASDに与える影響を比較しており、最高のパフォーマンスは太字で示されています。

に示すように、ランクrが2から8に増加するにつれて性能が向上し、それ以上ではわずかに低下することが分かりました。これは、ランク8が細粒度の血管構造を捕捉するためのモデルの適応能力を最適化することを示唆しています。また、

**Table 5.** TABLE 5 Ablation on training strategy components.解説: トレーニング戦略の各コンポーネントに関するアブレーション研究の結果を示しています。デフォルトのNA-UNETR、LAD-SEGのみでのトレーニング、静的損失重み、Focal損失なし、セグメンテーション損失のみ、標準的な前処理のみ、後処理なしの場合のDSC、HD95、およびASDが比較されています。

に示されるトレーニング戦略のアブレーション結果では、ImageCASでの事前学習とLAD-SEGでのファインチューニングという2段階アプローチが、NA-UNETRにとって最も強力な性能をもたらしました。LAD-SEGのみでトレーニングするとDSCが大幅に低下し、事前学習が薄い血管学習のためにより安定した初期化を提供することが示されました。動的な重み付けの代わりに固定された損失重みを使用すること、および境界損失を削除することは、DSCを低下させ境界誤差を増加させました。これにより、両方の損失成分がオーバーラップと輪郭精度のバランスに貢献していることが示唆されます。

計算コスト分析：効率性も考慮

**Table 6.** TABLE 6 Computational cost analysis, NA-UNETR versus benchmark models.解説: NA-UNETRとベンチマークモデルの計算コスト分析を示しています。トレーニング時間（s/エポック）、学習可能パラメータ数（M）、FLOPS（B）、推論時間（S）、ピークVRAM（GB）が比較されています。

は、NA-UNETRとCNNベースおよびTransformerベースのベンチマークモデルに対する計算要件をまとめたものです。NA-UNETRは、19.6Mの学習可能パラメータと314.1BのFLOPSを持ち、Swin UNETRと匹敵し、UNETRよりも低い複雑度を実現しています。NA-UNETRは、適度なピークGPUメモリ使用量（4.17 GB）で競争力のある推論レイテンシ（1ボリュームあたり1.33秒）を達成し、Swin UNETRよりもメモリ効率が高いことが示されました。エポックごとのトレーニング時間も、NA-UNETRはnnU-NetやUNETRに近い値であり、追加のトレーニングオーバーヘッドがないことを示しています。

考察と今後の展望

LAD動脈は、その細い口径、軟組織との低いコントラスト、そして限られたアノテーションデータのために、非造影CTにおける自動セグメンテーションの最も困難なターゲットの一つです。NA-UNETRは、近傍アテンションによる幾何学的に一貫した局所的-大局的コンテキストモデリングと、精密な境界描出のための不確実性誘導型損失バランスを統合することで、これらの困難に対処しています。広範な冠動脈データセットでの事前学習と、パラメータ効率の高いファインチューニングによる小データレジームへの汎化能力も強化されています。CCTAでの事前学習は、冠動脈ツリーの明確な可視化を提供し、エンコーダが後続のファインチューニングに有用な安定した血管特徴を学習するための基盤を構築します。CCTAと非造影CTは異なるモダリティですが、デコーダとLoRAで適応されたMLP層がモダリティのシフトを緩和し、モデルが構造情報を転移させながらターゲットドメインに適応するのを助けています。これらの貢献は、自動LAD描出の実現可能性を進展させ、胸部放射線治療計画における心臓線量評価ワークフローへの統合のための基礎を築くものです。この研究の結果は大きな一歩ですが、非造影CTにおけるLADセグメンテーションは解剖学的構造の視認性の限界に根本的に制約されるため、モデルの性能は最終的に基礎となる画像で利用可能な情報に縛られます。NA-UNETRは複数の指標でベースライン手法に対する改善を示していますが、このアプローチはまだ臨床展開には適していません。日常的な臨床使用に必要な信頼性と堅牢性を確立するためには、さらなる洗練、より大規模なアノテーション付きデータセット、および複数の医療施設での検証が不可欠となるでしょう。

結論

この研究は、LAD動脈の細い口径、軟組織との低いコントラスト、および限られたアノテーションデータという、非造影CTにおける自動セグメンテーションの最も困難な課題に対処しました。提案されたNA-UNETRは、近傍アテンション（NA）を用いて幾何学的に一貫した局所的および大局的なコンテキストをモデリングし、不確実性誘導型損失バランスを用いて精密な境界描出を実現します。さらに、より広範な冠動脈データセットでの事前学習とパラメータ効率の高いLoRAベースのファインチューニングを組み合わせることで、小データ環境への汎化能力を強化しました。これらの革新的な貢献により、NA-UNETRは薄く低コントラストのLAD構造の正確なセグメンテーションを可能にし、胸部放射線治療計画における心臓線量評価ワークフローへの自動LAD描出の統合に向けた堅牢かつ計算効率の高いフレームワークを示しています。

用語集

LAD動脈 (Left Anterior Descending artery): 左前下行枝冠動脈の略称。心臓の左心室の大部分に血液を供給する主要な血管の一つで、放射線治療における損傷を受けやすいとされる。
セグメンテーション: 画像データの中から特定の対象（この場合、LAD動脈）の領域を識別し、分離するプロセス。
CT (Computed Tomography): コンピュータ断層撮影のこと。X線を用いて身体の内部構造の断面画像を生成する医療画像診断法。
放射線治療: がん細胞を破壊するために高エネルギー放射線を使用する治療法。
Transformer: ディープラーニングにおけるモデルアーキテクチャの一種で、アテンションメカニズム（注意機構）を用いて入力データ間の長距離依存関係を捉えることに優れる。
畳み込みニューラルネットワーク (CNN): ディープラーニングにおける主要なモデルアーキテクチャの一つ。画像認識や画像処理の分野で広く利用される。
近傍アテンション (NA): Transformerモデルのアテンションメカニズムを局所的なピクセル（ボクセル）の近傍に制限することで、計算効率を高め、細かい構造の描出を向上させる手法。
拡張近傍アテンション (DiNA): 近傍アテンションを拡張し、サンプリングを疎にすることで、計算コストを抑えつつより広い範囲の情報を段階的に取り込むことができる手法。
LoRA (Low-Rank Adaptation): 大規模な事前学習済みモデルを効率的にファインチューニングするための手法。モデルの重み全体を更新するのではなく、低ランク行列を導入し、そのパラメータのみを更新することで、計算コストとメモリ使用量を削減する。
Diceスコア: セグメンテーション結果と正解（グラウンドトゥルース）との間の体積的な重なり具合を測る指標。値が高いほど一致度が高い。
Hausdorff距離 (HD95): セグメンテーションされた領域の境界線が、正解の境界線からどれだけ離れているかを示す幾何学的指標。95パーセンタイル値が低いほど、大きな境界のずれが少ないことを意味する。
平均表面距離 (ASD): 予測されたセグメンテーションの表面と正解の表面との間の平均距離。値が低いほど、境界が平均的に近く位置していることを示す。
中心線Dice (clDice): 特に細い管状構造のセグメンテーションにおいて、予測と正解のトポロジー（形状と連続性）の一致度を評価する指標。血管の経路がどれだけ正確に維持されているかを示す。
ホモセダスな不確実性 (Homoscedastic uncertainty): モデルが予測する際に、データ入力とは独立してタスク間で発生する不確実性のこと。異なる損失関数を動的にバランスさせるために用いられる。
冠動脈CTアンギオグラフィ (CCTA): 造影剤を用いて冠動脈を詳細に描出するCT検査。非造影CTよりも血管の視認性が高い。
事前学習: 大量のデータを用いてモデルを事前にトレーニングすること。これにより、モデルは一般的な特徴表現を学習し、後のタスクに転移しやすくなる。
ファインチューニング: 事前学習されたモデルを、特定のタスクや小規模なデータセットに合わせて再調整すること。