本論文では、3D医療画像セグメンテーションのための自動カリキュラム学習アプローチ「パッチサイズの漸進的成長」を提案しています。このアプローチは、モデルのトレーニング中にパッチサイズを段階的に増加させることで、小さいパッチサイズのクラスバランスを改善し、トレーニングプロセスの収束を加速します。リソース効率モードとパフォーマンスモードの2つの設定で評価し、常にDiceスコアの性能と計算コストを比較しました。リソース効率モードは従来の一定パッチサイズサンプリングと同等のDiceスコア性能を達成しながら、トレーニング時間を44%に短縮しました。パフォーマンスモードでは、Diceスコアが1.28%向上し、すべてのタスクで性能を上回る結果を示しました。この方法は特に不均衡な課題で効果が顕著で、トレーニング時間を89%に短縮しつつ信頼性のあるモデル比較を実現します。提案手法は特定のアーキテクチャに依存せず、UNetやSwinUNETRなどの多様なセグメンテーションモデルに一貫して性能向上をもたらすことが示されました。