ビジョン・トランスフォーマーとCNNによる肺プロトンと高極化ガスMRIの堅固なセグメンテーション:人工騒音下でのパフォーマンスの比較分析

科学分野:

• 医療画像と診断
• 医療における人工知能
• 生物医学工学

背景:

• 精密な医療画像セグメンテーションは,病気の診断とモニタリング,特に陽子と高極化ガスのMRIを用いた肺イメージングに不可欠です.
• 息を止めることによる高極化ガスのMRIでよく見られる画像ノイズとアーティファクトは,従来のセグメンテーションアルゴリズムに挑戦します.
• ディープラーニングモデルは 解決策を提示しますが 騒音レベルが変化する際の 頑丈さは 徹底的な評価が必要です

研究 の 目的:

• ディープラーニングのセグメンテーションモデル,特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) の堅実性を評価する.
• CNNベースのアーキテクチャとViTベースのアーキテクチャのプロトンと高極化ガスのMRIデータを分割するパフォーマンスを比較する.
• 低信号比 (SNR) の医療画像環境における信頼性の高いセグメンテーションに最も適したディープラーニングモデルを特定する.

主な方法:

• CNN (VGG16,VGG19,ResNet152) とViT (MiT-B0,B3,B5) のバックボーンを使用したフィーチャーピラミッドネットワーク (FPN) とU-Netセグメンテーションアーキテクチャをトレーニングし,テストしました.
• 56人の参加者の陽子と高極化ガスのMRIスライスを含むデータセットを使用しました.
• ダイススコアや境界エラーなどのメトリックを使用して,異なるレベルの追加ガウスノイズでモデルのパフォーマンスを評価します.

主要な成果:

• ViTベースのモデル,特にSegFormerのバックボーンを持つモデルは,すべてのテストされたメトリックとノイズ条件でCNNベースのモデルを一貫して上回りました.
• ViTモデルの性能優位性は,高い騒音レベル下で最も顕著であり,優れたダイススコアと限界誤差の減少を示した.
• トランスフォーマーモデルは,従来のCNNアーキテクチャと比較して,画像の劣化に対するより高い耐性を示しました.

結論:

• ViTベースのディープラーニングアーキテクチャは,ノイズの存在下での医療画像セグメンテーションの卓越した強度と精度を示しています.
• これらの発見は,超極化ガスのMRIのような臨床的に重要な低SNR環境におけるViTモデルの展開を支持し,セグメンテーションの信頼性を高めています.
• この研究は,医療イメージングの困難なシナリオにおける従来のCNNの限界を克服するトランスフォーマーモデルの可能性を強調しています.