超音波画像におけるマルチドメイン汎化のためのクロスドメイン動的ルーティングデコーダー

科学分野:

• 医療画像AI
• ヘルスケアにおけるコンピュータビジョン
• 医療診断のための人工知能

背景:

• 医療用超音波（US）画像の品質は地域によって大きく異なり、堅牢なヘルスケアAIの開発を妨げています。
• リソースが限られた地域では、低品質のUSデータが生成されることが多く、従来のディープラーニングモデルの汎化が制限されます。
• この不均一性は、多様なヘルスケアインフラストラクチャに適用可能なAIシステムの開発における課題となります。

研究 の 目的:

• 異種マルチリージョンUS画像データを管理するために設計された新しいマルチデコーダーフレームワークであるUSHydraNetを導入すること。
• データ品質のばらつきにもかかわらず、医療画像解析におけるAIモデルのパフォーマンスと汎化機能を向上させること。
• リソースが限られた環境でのAI支援診断への公平なアクセスを可能にすること。

主な方法:

• USHydraNetは、Vision Transformer（ViT）またはUNetエンコーダーと複数のデコーダーを統合して、特徴抽出を最適化します。
• 動的ルーティングパラダイムは、画像と特徴の統計モーメントに基づいて最適なデコーダー出力を適応的に選択します。
• この適応メカニズムにより、精度を犠牲にすることなく、さまざまなデータ品質レベルで堅牢なパフォーマンスが保証されます。

主要な成果:

• USHydraNetは、分類およびセグメンテーションタスクにおいて、ベースラインアーキテクチャよりも優れたパフォーマンスを示しました。
• アブレーションスタディにより、分類メトリクスで10〜20％、セグメンテーションでDiceスコア（12.23-19.52％）およびIoU（0.59-1.05％）で大幅な向上が示されました。
• モデルは、未知のデータセットでも堅牢なパフォーマンス（Dice 89.26％、IoU 84.14％）を維持しました。

結論:

• USHydraNetは、異なるヘルスケアインフラストラクチャを持つ地域間での医療画像解析におけるパフォーマンスの格差を効果的に削減します。
• このフレームワークは、特にリソースが限られた環境でのAI支援診断への公平なアクセスを促進します。
• USHydraNetは、グローバルヘルスケアAIアプリケーションにおける重要な進歩を表しています。