医療画像解析におけるマルチタスク学習のためのマルチスケール特徴量強調

科学分野:

• 医療画像解析
• 深層学習
• 人工知能

背景:

• 従来の深層学習モデルは、医療画像のセグメンテーションまたは分類を別々に処理することが多く、情報共有が制限されていました。
• 既存のマルチタスク学習（MTL）法は、セグメンテーションのための局所的文脈と分類のための全体的文脈のバランスをとるのに苦労しています。

研究 の 目的:

• 医療画像のセグメンテーションと分類を同時に行うための統一された深層学習モデルを開発すること。
• 両方のタスクの精度を向上させるために、局所的および全体的な文脈情報の両方のキャプチャを強化すること。

主な方法:

• 畳み込み（局所的）および長距離（トランスフォーマー）特徴抽出を融合したResFormerブロックをエンコーダに統合したUNetベースのマルチタスク学習モデル。
• 分類のためにエンコーダからのマルチスケール特徴量を組み合わせ、セグメンテーションのために新しい拡張特徴量強調（DFE）モジュールがデコーダのスキップ接続を洗練します。
• エンコーダは分類ラベルを予測し、デコーダはセグメンテーションマスクを生成します。

主要な成果:

• 提案されたモデルは、最先端の方法と比較して、複数の医療データセット全体でセグメンテーションタスクと分類タスクの両方で優れたパフォーマンスを示しました。
• ResFormerブロックは、局所的および全体的な依存関係を効果的に統合し、特徴表現を強化しました。
• DFEモジュールは、さまざまなサイズの病変の検出を改善しました。

結論:

• ResFormerおよびDFEモジュールを備えた開発されたUNetベースのMTLモデルは、医療画像解析において大きな進歩を提供します。
• このアプローチは、より正確なセグメンテーションと分類を通じて、疾患の診断と治療計画を改善する可能性を秘めています。
• 共有情報を効果的に活用するモデルの能力は、従来および既存のMTL法の限界に対処します。