SALT：医療画像におけるラベルツリーを用いた階層的セグメンテーションのためのフレームワークの紹介

科学分野:

• 医用画像
• 人工知能
• コンピュータビジョン

背景:

• 従来のセグメンテーションネットワークは、解剖学的構造間の階層的関係を見落としがちです。
• この制限は、医用画像解析における効率性と解釈可能性を妨げます。
• 解剖学的階層を組み込んだ方法の開発は、セグメンテーション精度の向上に不可欠です。

研究 の 目的:

• 医療画像セグメンテーションのための新しい活性化関数であるSoftmax for Arbitrary Label Trees (SALT) を紹介します。
• 解剖学的構造における階層的関係を活用して、セグメンテーションの効率性と解釈可能性を向上させます。
• CT画像における解剖学的階層の自然な表現を可能にし、セグメンテーションを強化します。

主な方法:

• SALTは、親子の関係に沿った条件付き確率をモデル化することにより、任意の階層的ラベルツリーにソフトマックスを拡張する活性化関数として開発されました。
• SAROSデータセット（900スキャン、113ラベル）で訓練および評価され、サブセットで検証およびテストされました。
• 1000回のブートストラップラウンドからの95％信頼区間を用いて、SAROS、CT-ORG、FLARE22、LCTSC、LUNA16、およびWORDの複数のデータセット全体でDiceスコアを使用してパフォーマンスを評価しました。

主要な成果:

• SALTはLUNA16（Dice 0.93）およびSAROS（Dice 0.929）で最高のパフォーマンスを達成しました。
• CT-ORG（0.891）、FLARE22（0.849）、LCTSC（0.908）、およびWORD（0.844）で信頼性の高い精度を示しました。
• 1000スライスのCTスキャンを平均35秒で処理する迅速なセグメンテーションを実現しました。

結論:

• SALTは、効率的で解釈可能な医用画像セグメンテーションのために、階層的な身体構造を効果的に活用します。
• この手法の速度と精度は、自動化された全身セグメンテーションのための臨床ワークフローへの統合をサポートします。
• SALTは、より迅速で正確な画像解析を通じて、診断ワークフローを強化し、患者ケアを改善する可能性があります。