CervSpineNet：頸椎棘突のセグメンテーションのためのハイブリッド深層学習ベースのアプローチ

科学分野:

• 医用画像処理
• 深層学習
• 計算解剖学

背景:

• 頸椎棘突の正確なセグメンテーションは脊椎分析に不可欠ですが、公開データセットと効率的な方法が不足しています。
• 手動による描出は時間がかかり、術者依存性があるため、臨床的および研究的な応用を妨げています。

研究 の 目的:

• 側方X線画像における頸椎棘突の自動化された正確かつ効率的なセグメンテーション方法を開発すること。
• 頸椎分析のための専門家による注釈付きデータセットを作成してリリースすること。

主な方法:

• トランスフォーマーと畳み込みコンポーネントを統合したハイブリッド深層学習フレームワークであるCervSpineNetを開発しました。
• 複数のセグメンテーションメトリクス（Dice、Focal Tversky、HDT、SSIM）を最適化する複合損失関数を使用してモデルをトレーニングしました。
• U-Net、DeepLabV3+、SAM、SegFormerと比較して、多様な画像セットで性能を評価しました。

主要な成果:

• CervSpineNetは、Dice係数>0.93、IoU>0.87、SSIM>0.98で優れた性能を達成しました。
• モデルは高い精度（MAE≈0.005）と効率的な推論（画像あたり5〜10秒）を示しました。
• コンパクトなモデルサイズで手動アノテーション時間を約96%削減しました。

結論:

• グローバルコンテキスト（トランスフォーマー）とローカルリファインメント（畳み込み）の組み合わせにより、堅牢な棘突セグメンテーションが可能になります。
• CervSpineNetは、臨床および研究設定におけるAI支援頸椎分析のスケーラブルな基盤を提供します。
• この研究は、高性能で効率的なモデルと専門家による注釈付きデータセットを提供し、脊椎画像におけるAIアプリケーションを加速させます。