3D CSFA-UNet：正確な膝MRIセグメンテーションと変形性関節症重症度分類のための統一された注意駆動型深層学習フレームワーク

科学分野:

• 医用画像処理
• 人工知能
• 整形外科学

背景:

• 現在、3D膝MRIの共同セグメンテーションと分類のためのマルチタスク深層学習手法は、臨床的適用性に限界があります。
• これらの限界には、マルチスケールコンテキストモデリングの制限、空間チャネルの手がかりへの注意不足、および高い計算コストが含まれます。

研究 の 目的:

• 3D膝MRIボリュームの共同セグメンテーションと分類のための、統一されたマルチステージフレームワークを提案すること。
• 臨床応用のための診断精度、解釈可能性、および効率を向上させることを目的としています。

主な方法:

• このフレームワークは、ノイズ抑制と境界強調のためにガウシアンガイドフィルタリングを利用します。
• セグメンテーションには、Atrous Spatial Pyramid Pooling（ASPP）を備えた3D CSFA-UNet（チャネル・空間特徴量アテンション）を採用します。
• 分類には、Desert Scorpion Feature Selector（DSFS）による特徴量選択を先行させた、Leaky Integrate-and-Fire（LIF）ニューロンとグラフアテンションレイヤーを備えたSpiking Transformerネットワークを使用します。
• ハイパーパラメータ調整は、Falcon Hunting Optimisation（FHO）を使用して実行されます。

主要な成果:

• セグメンテーション性能は、ダイス類似係数（DSC）98.10％、IoU（Intersection over Union）96.26％、平均表面距離（ASD）0.45 mm、および95パーセンタイルハウズドルフ距離（Hd95）1.85 mmを達成しました。
• 分類精度は、OAIデータセットにおいて99.15％に達し、適合率98.82％、再現率99.11％、F1スコア99.04％でした。
• このモデルは、セグメンテーションとグレーディングの両方のタスクにおいて、堅牢性と信頼性を示しました。

結論:

• 提案されたフレームワークは、3D膝MRIの共同セグメンテーションと分類のための臨床的に関連性の高い解釈可能なソリューションを提供します。
• このアプローチは、精度と効率を向上させることにより、画像ガイド下の整形外科診断を進歩させます。
• この研究は、臨床現場における診断能力の向上に向けたこの統一フレームワークの可能性を強調しています。