中枢神経系腫瘍の精密診断のためのドメイン適応型MRI学習モデル

科学分野:

• 医用画像処理;人工知能;計算生物学

背景:

• MRIによる中枢神経系（CNS）腫瘍の診断は、臨床現場間でスキャナハードウェア、取得プロトコル、および強度特性に大きなばらつきがあるため、課題となっています。これらのドメインシフトは、自動診断モデルの信頼性を低下させます。既存の方法は、多様な画像データセットにわたって一般化することに苦労しており、実際の適用性を制限しています。

研究 の 目的:

• 多施設MRIデータからの正確なCNS腫瘍診断のための堅牢なドメイン適応型学習モデルを開発する。著しいドメインシフトが存在する状況下での自動MRI分析の信頼性と一般化能力を高める。多様な画像条件下でのCNS腫瘍のセグメンテーションパフォーマンスと診断精度を向上させる。

主な方法:

• ドメイン適応型MRI学習モデル（DA-MLM）と呼ばれるハイブリッド3D畳み込みニューラルネットワーク（CNN）トランスフォーマーエンコーダーを開発しました。このモデルには、敵対的アライメント、対照的正則化、および共分散ベースの特徴均質化がドメイン適応のために組み込まれています。マルチシーケンスMRI入力（T1、T1造影（T1ce）、T2、および低体積逆回復（FLAIR））は、マルチスケール畳み込み層とグローバルセルフアテンションを使用して処理されました。

主要な成果:

• DA-MLMはBraTS 2020データセットで高いパフォーマンスを達成し、精度94.8％、マクロF1 93.6％、AUC 96.2％で、ベンチマークを2〜4％上回りました。優れたセグメンテーションダイススコアが得られました：93.1％（全腫瘍）、91.4％（腫瘍コア）、および89.5％（造影腫瘍）で、既存の方法を2〜3.5％上回りました。REMBRANDTデータセットでは、DA-MLMは精度92.3％を示し、U-Netおよび専門家によるアノテーションと比較してセグメンテーションが3〜7％向上し、ノイズ、コントラストシフト、およびモーションアーチファクトに対する堅牢性が大幅に向上しました。

結論:

• DA-MLMは、画像摂動に対する優れた精度、セグメンテーション忠実度、および堅牢性を示しています。このモデルは、多施設MRIアプリケーションに不可欠な、強力なクロスドメイン一般化機能を示しています。DA-MLMのパフォーマンスは、MRI取得パラメータの避けられない変動を伴う臨床現場での展開に適していることを示しています。