ハイブリッド・ビジョン・トランスフォーマーとディープ・ラーニング・テクニックによる肺栓塞検出の改善

科学分野:

• 医学画像分析
• 心血管病理
• 医療における人工知能

背景:

• 肺栓塞 (PE) は重大な心血管疾患であり,死亡の主な原因です.
• 正確な PE検出は 患者の生存に不可欠ですが 医学的な画像解釈の難しさは 誤診につながります
• 単一のディープラーニングモデルは 複雑で多様で不均衡な医療画像データセットに 苦労しています

研究 の 目的:

• 肺栓塞の分類を改善するためのアンサンブル ディープラーニングの枠組みを開発する.
• 精度と強さを高めるために,コンボリューションニューラルネットワーク (CNN) とビジョントランスフォーマー (ViT) の補完的な強みを活用する.
• PEの早期発見と臨床的意思決定のための強力なツールを提供すること.

主な方法:

• ResNet50,DenseNet121,Swin Transformerモデルを組み合わせたアンサンブルフレームワークが開発されました.
• 前処理パイプラインには,オートエンコーダー (AE) ベースの次元縮小,データ拡張,離散波紋変換 (DWT) およびソベルフィルタリングが含まれていた.
• このモデルは,北米放射線学会 (RSNA- STR) のPEデータセットで評価されました.

主要な成果:

• 提案されたアンサンブルモデルは97.80%の精度と0.99の受容器操作曲線下の面積 (AUROC) を達成した.
• 最先端の事前訓練されたモデルとVision Transformer (ViT) ベースのアプローチと比較して優れたパフォーマンスを示した.
• この方法論は複雑で不均衡な医療画像データセットの課題を効果的に解決しました.

結論:

• 開発されたアンサンブル・ディープラーニング・フレームワークは,肺栓塞の検出の正確性と強さを大幅に高めています.
• このアプローチは,医療画像分析のための既存のシングルモデル・ディープラーニング・メソッドに比べて,実質的な改善をもたらします.
• これらの発見は,早期の PE 診断を改善し,臨床的意思決定を支援する高度な AI の可能性を裏付けています.