マルチフェーズ深層学習フレームワーク：マルチスケール適応型Swinトランスフォーマーと埋め込みアテンションによる精密肺結節検出および分類
Dhayalini M1, Revathi Alias Ponmozhi B2
1Department of ECE, School of Engineering and Technology, Dhanalakshmi Srinivasan University, Samayapuram, Tamilnadu, India. dhayalinimphd@gmail.com.
Scientific reports
|December 13, 2025
まとめ
本研究では、良性結節と悪性結節を区別する高精度を達成する、肺結節検出および分類のための高度なフレームワークを紹介します。この新しいアプローチは、肺がんの診断精度を向上させ、患者の転帰を改善します。
科学分野:
- 医用画像
- ヘルスケアにおける人工知能
- 腫瘍診断
背景:
- 肺がんは死亡率の主要な原因であり、正確な肺結節の検出と分類が必要とされています。
- 現在の診断方法には、精度、スケーラビリティ、適応性において課題があります。
研究 の 目的:
- 肺結節の検出、セグメンテーション、分類のための高度なマルチステージフレームワークを開発および検証すること。
- 肺結節診断の精度と効率を臨床現場で向上させること。
主な方法:
- 前処理には、スパースエッジ保存エンハンスメント（SEPE）を使用しました。
- セグメンテーションには、EfficientNetV2、DenseNet-201、ResNet-101、InceptionV3バックボーンを統合したASPPとRBDを備えた拡張DeepLabv3+アーキテクチャを採用しました。
- 結節分類には、MEAMを備えたマルチスケール適応型Swinトランスフォーマー（MA-SwinT）を実装しました。
- ハイパーパラメータは、フォッサ最適化アルゴリズム（FOA）を使用して最適化しました。
主要な成果:
- LUNA16（Dice：98.75％）およびLIDC-IDRI（Dice：98.92％）データセットで高いセグメンテーション性能を達成しました。
- 良性結節と悪性結節を区別する分類精度（LUNA16：99.15％、LIDC-IDRI：99.40％）で優位性を示しました。
- フレームワークは、両方のデータセットで高い精度、再現率、F1スコアを示しました。
結論:
- 提案されたマルチステージフレームワークは、肺結節診断のための信頼性が高く正確なツールを提供します。
- 高度な技術は、臨床応用のための精度、スケーラビリティ、適応性を向上させます。
- 結果は、肺がん検出と患者の転帰を改善する上で大きな可能性を示しています。
