効率的かつ正確な肺炎検出のための新しいマルチスケールTransformerアプローチ

科学分野:

• 人工知能
• 医用画像
• コンピュータ支援診断

背景:

• 肺炎は世界的な健康問題であり、かなりの罹患率と死亡率を引き起こしています。
• 胸部X線写真は肺炎診断に不可欠ですが、画像変動による解釈上の課題に直面しています。
• 自動化されたシステムは、診断の一貫性を向上させ、肺炎検出における臨床的意思決定をサポートできます。

研究 の 目的:

• 胸部X線写真からの肺炎の統合的な肺セグメンテーションと肺炎分類のための新しいマルチスケールTransformerアプローチを開発すること。
• 胸部X線写真からの自動肺炎検出の精度と効率を向上させること。
• リソースが限られた臨床設定に適した計算効率の高いモデルを作成すること。

主な方法:

• 正確な肺セグメンテーション（Diceスコア95.68%）のために、軽量Transformer強化型TransUNetを使用しました。
• マルチスケール特徴量を抽出するために、事前学習済みのResNetモデル（ResNet-50、ResNet-101）を使用しました。
• 畳み込みResidual Attention Moduleと修正されたTransformerが特徴量を処理し、肺炎検出を改善しました。

主要な成果:

• 提案手法は、Kermanyデータセットで93.75%、Cohenデータセットで96.04%の精度を達成しました。
• 肺のセグメンテーションコンポーネントは、従来のTransformerよりも少ないパラメータで高いパフォーマンスを示しました。
• 統合されたアプローチは、肺炎検出精度と計算効率において既存の手法を上回りました。

結論:

• 新しいマルチスケールTransformerアプローチは、肺炎検出のための堅牢で効率的なソリューションを提供します。
• セグメンテーションと分類のための統合フレームワークは、医用画像における診断信頼性を高めます。
• このAI駆動型手法は、肺炎診断における患者の転帰の改善と臨床ワークフローのサポートに有望です。