超音波画像における尺骨神経の深層学習ベースセグメンテーション

科学分野:

• 医用画像処理
• 人工知能
• 神経学

背景:

• 超音波（US）画像における尺骨神経（UN）の正確な検出は、臨床診断にとって重要である。
• 深層学習（DL）セグメンテーション法は、自動UN検出に有望である。
• UNセグメンテーションのための大規模なUSデータセットが利用可能になった。

研究 の 目的:

• 超音波画像におけるUN検出のための深層学習ベースセグメンテーションモデルを評価する。
• 様々なセグメンテーションモデルとデータ拡張技術の性能を比較する。
• DLを用いたUNセグメンテーションの最適な戦略を特定する。

主な方法:

• 専門家による注釈付きUNセグメンテーションを持つ545人の患者からの4789個のUS画像の大きなデータセットを利用した。
• 異なるバックボーンアーキテクチャを持つ6つのセグメンテーションモデルを比較した。
• 5つのデータ拡張技術（反転、回転、せん断、コントラスト/明るさ、リサイズ）の統計的有意性を分析した。

主要な成果:

• せん断、回転、リサイズ拡張は、セグメンテーション性能を大幅に向上させた（p < 0.05）。
• 従来のU-Netモデルは、競争力のある結果を達成した（Diceスコア：0.88、IoU：0.81）。
• 新しいアーキテクチャは、このタスクにおいて従来のU-Netモデルを上回らなかった。

結論:

• 体系的な分析は、UNセグメンテーションのためのDLの最適化に関する洞察を提供する。
• データ拡張は、USベースの神経セグメンテーション精度を向上させるために重要である。
• U-Netは、US神経セグメンテーションタスクの強力なベースラインであり続けている。