GAME-Net：生成オートエンコーダーと注意機構を統合したアンサンブル深層学習フレームワークによるMRIにおける脳腫瘍の自動セグメンテーション

科学分野:

• 医用画像における人工知能
• 生物医学的応用における深層学習
• 計算神経科学

背景:

• MRIからの脳腫瘍の手動セグメンテーションは時間がかかり、ばらつきが生じやすいです。
• 正確で早期の腫瘍識別は、治療計画と患者の転帰にとって重要です。
• AI搭載の計算モデルは、客観的で効率的な腫瘍描出への道を提供します。

研究 の 目的:

• 脳腫瘍セグメンテーション性能を強化するための深層学習フレームワークを開発および評価すること。
• MRIスキャンにおける腫瘍識別の精度と効率を向上させること。
• 臨床実践における手動セグメンテーションの限界に対処すること。

主な方法:

• 生成オートエンコーダーと注意機構（GAME）、CNN、および注意機構拡張U-Netモジュールを統合した包括的なアンサンブルアーキテクチャを開発しました。
• 正規化、拡張、および教師なし特徴抽出を含む前処理を行った、BraTS 2023からの5,880のMRI画像データセットを使用しました。
• 教師なし表現学習のために生成オートエンコーダーを使用し、セグメンテーションには注意機構ベースのU-Net、分類には自己注意機構付きCNNを採用しました。

主要な成果:

• セグメンテーションモジュールは、ダイス係数0.85およびジャカード指数0.78を達成しました。分類コンポーネントは、精度87.18％、感度88.3％、特異度86.5％、およびAUC-ROC 0.91を達成しました。統合フレームワークは、従来のメソッドと比較して、腫瘍局在化、境界の明確化、および偽陽性の減少を改善しました。

結論:

• 豊かな表現学習と注意機構駆動の特徴洗練は、異種MRIデータセットにおけるセグメンテーション精度を大幅に向上させます。
• 教師なし学習の統合は、モデルの可変画像条件に対する汎化性能を向上させました。
• このフレームワークは、臨床的有用性のための強力な可能性を示しており、外部データセットでのさらなる検証が求められます。