赤外分光法における前立腺癌組織分類のための空間スペクトル深層学習

科学分野:

• 生物医学工学
• 分光法
• 人工知能

背景:

• 赤外（IR）分光法からのハイパースペクトルイメージングは、深層学習のための豊富なデータを生成します。
• 畳み込みニューラルネットワークは、このデータを処理する際に空間的バイアスを示す可能性があります。
• 前立腺癌組織分類は、重要な応用分野です。

研究 の 目的:

• IR分光法データのための深層学習分類器を比較します。
• 性能に対するスペクトル次元圧縮（ボトルネック）の影響を評価します。
• モデルアーキテクチャ、空間バイアス、および分類精度の関係を調査します。

主な方法:

• 修正されたVision Transformerを含む様々な深層学習モデルをIRハイパースペクトル画像に適用しました。
• モデル性能に対するスペクトルボトルネック（16特徴）の効果をテストしました。
• モデルの空間受容野と分類結果との相関を分析しました。

主要な成果:

• 修正されたVision Transformerモデルによって、最高の分類性能が達成されました。
• モデルの空間受容野は、分類成功と強く相関していました。
• スペクトル情報と深層学習性能との間には限定的な相関しか見られませんでした。16特徴のボトルネックは、無視できる影響しかありませんでした。

結論:

• 組織分類は、広範なスペクトル情報ではなく、限定されたスペクトル特徴のセットに依存します。
• 現在の深層学習分類タスクでは、スペクトル情報よりも空間的特徴の方が重要です。
• 組織分類における現在の成功は、スペクトルデータを活用する深層学習モデルの開発にとって不十分なベンチマークである可能性があります。