OCT画像（2D/3D）分類のためのデュアル・トランスフォーマーベースの敵対的生成ネットワーク（DTG）

科学分野:

• 眼科学
• 医用画像処理
• 人工知能

背景:

• 自動網膜障害同定は、眼科の主要な応用分野です。
• トランスフォーマーモデルは画像分類で有望ですが、医療アプリケーションにはより多くのデータが必要です。
• 現在の網膜データ分類法は、パフォーマンスの向上が必要です。

研究 の 目的:

• 網膜疾患分類を強化するための新しいディープラーニングアーキテクチャ、デュアル・トランスフォーマーベースの敵対的生成ネットワーク（DTG）を提案すること。
• 医療画像におけるトランスフォーマーモデルのデータハングリー問題を解決すること。
• 光干渉断層撮影（OCT）データを使用した自動診断の精度と信頼性を向上させること。

主な方法:

• ビジョン・トランスフォーマーおよびマルチスケール・ビジョン・トランスフォーマーを使用して、2Dおよび3D OCT画像をエンコードしました。
• 高品質な意味的データ表現のために、敵対的生成ネットワーク（GAN）アーキテクチャを採用しました。
• トレーニングデータを増やすために、患者インスタンスベースのデータ拡張技術を実装しました。
• 最終的な網膜疾患分類タスクのために、重み付け分類器を適用しました。

主要な成果:

• 提案されたDTGアーキテクチャは、精度、適合率、再現率、F1スコア、AUCを含む複数の指標で優れたパフォーマンスを達成しました。
• DTGは、2Dおよび3D OCT画像の分類において、一般的な畳み込みニューラルネットワークおよびトランスフォーマーモデルを上回りました。
• このアプローチは、網膜データ分類における既存の方法よりも大幅な改善を示しました。

結論:

• DTGアーキテクチャは、OCTデータからの自動網膜疾患分類のための強力なソリューションを提供します。
• トランスフォーマー、GAN、およびデータ拡張の組み合わせは、医療AIにおけるデータ制限を効果的に解決します。
• この研究は、眼科におけるAIの分野を進歩させ、より正確で効率的な疾患診断を約束します。