結腸直腸がん病理画像の半教師ありセマンティックセグメンテーションタスクにおいて、低信頼度の擬似ラベルの活用不足、高信頼度の擬似ラベルの精度最適化の緊急性、および擬似ラベルのクラス不均衡といった問題を改善するために、本論文では擬似ラベル信頼度調整手法を提案し、結腸直腸がん病理画像の高品質な多クラス半教師ありセマンティックセグメンテーションの実現を目指す。まず、教師-学生モデルに基づく半教師ありセマンティックセグメンテーションフレームワークにおいて、一貫性正則化にクラス信頼度調整を組み込み、訓練されていない教師モデルが生成した低信頼度の擬似ラベル中の混合クラスを除去して確定性を強化し、低信頼度擬似ラベルの寄与率を向上させる。次に、訓練済み教師モデルが生成した擬似ラベルに対し、まず選別し、その後細分化する操作パラダイムを提案し、選別された高信頼度擬似ラベルに対して条件付き確率場に基づく細分化処理を行い、高信頼度擬似ラベルに見られる境界のあいまいさや意味情報の欠如の問題を改善する。最後に、擬似ラベルデータにおけるクラス不均衡を緩和するため、擬似ラベルクラス数判定に基づく適応型ランダムカスケード強データ拡張法を設計した。自主構築の結腸直腸がん病理画像データセットおよび公開の多クラス病理画像データセットを用いた実験により、本手法は結腸直腸がん病理画像の4クラス平均セグメンテーション精度74.09%を達成し、ベースラインネットワークに比べ6.43%向上し、結腸直腸がん病理画像の半教師ありセマンティックセグメンテーションに強力なアルゴリズムサポートを提供する。

結腸直腸がん病理画像;半教師ありセマンティックセグメンテーション;教師-学生モデル;一貫性正則化;条件付き確率場;データ拡張