深層学習に基づく医用画像分類のための経験的モード分解（EMD）の開発：消化管内視鏡画像分類の実現可能性調査

科学分野:

• 人工知能
• 医用画像解析
• 信号処理

背景:

• 正確な医用画像分類は、早期疾患検出にとって非常に重要です。
• 深層学習モデルは有望ですが、複雑な医用データセットに対してさらに最適化することができます。
• 消化管内視鏡画像は、自動分析に特有の課題をもたらします。

研究 の 目的:

• 2次元経験的モード分解（2D EMD）を組み込んだ新しい深層学習フレームワークを開発し、多クラス画像分類を強化することを目的とする。
• 消化管内視鏡画像の分類における2D EMDがさまざまな深層学習アーキテクチャのパフォーマンスに与える影響を評価する。
• 医療における早期疾患検出の可能性を探る。

主な方法:

• 医用画像を固有モード関数（IMF）に分解するために2D EMDを利用する深層学習フレームワークが設計されました。
• 8つのクラスにわたる8000枚の消化管内視鏡画像を含むKvasirデータセットが検証に使用されました。
• 2D EMDの統合の有効性は、EMD前処理ありとなしの4つの確立された深層学習モデル（ResNet152、VGG19bn、MobileNetV3L、SwinTransformerV2S）を比較することによって評価されました。

主要な成果:

• 2D EMDから誘導されたIMFを減算すると、評価されたすべての深層学習モデルで精度、F1スコア、およびAUCが一貫して改善されました。
• ResNet152で約9％、VGG19Lで18％、MobileNetV3Lで3％、SwinTransformerV2で8％の精度の向上を含む、大幅なパフォーマンス向上が観察されました。
• 説明可能なAI技術（Grad-CAM）は、モデルが正確な予測のために関連する消化管領域に焦点を当てていることを確認しました。

結論:

• 2D EMDの統合は、消化管画像分類のための深層学習モデルのパフォーマンスを大幅に向上させます。
• この2D EMDベースのアプローチは、AI駆動の医用画像分析と疾患検出を改善するための有望な戦略を提供します。
• このフレームワークは、医用画像およびその他の画像分類ドメインでのより広範なアプリケーションの可能性を示しています。