Core Concepts
本研究では、CT画像からペリ膵臓浮腫を自動的に検出するための深層学習モデルとラジオミクスモデルを提案する。
Abstract
本研究では、255人の膵臓疾患患者のCT画像データセットを使用した。このデータセットには、膵臓の領域分割マスクと、ペリ膵臓浮腫の有無に関する診断ラベルが含まれている。
まず、LinTransUNetモデルを使用して膵臓領域を正確に分割した。次に、分割された膵臓領域を用いて、深層学習モデルとラジオミクスモデルの2つのアプローチでペリ膵臓浮腫の検出を行った。
深層学習モデルとしては、CNNベースのResNet、DenseNet、MobileNetなどと、ビジョントランスフォーマーモデルのViTやSwinなどを評価した。その結果、Swin-Tinyモデルが最も高い精度(97.95%)、再現率(98.38%)、適合率(98.85%)を示した。
一方、ラジオミクスアプローチでは、XGBoostモデルを使用し、79.61%の精度、91.05%の再現率を達成した。ラジオミクスモデルは学習時間が短く、高速な処理が可能であるため、補助的な診断ツールとしての可能性が示された。
本研究は、ペリ膵臓浮腫の自動検出に関する初の取り組みであり、深層学習とラジオミクスの2つのアプローチを組み合わせた包括的な手法を提案している。この成果は、膵臓疾患の評価と管理に大きな影響を与えると期待される。
Stats
膵臓領域分割のDice係数は80.85%、mIoUは68.73%であった。
深層学習モデルのSwin-Tinyは97.95%の精度、98.38%の適合率、98.85%の再現率を示した。
ラジオミクスモデルのXGBoostは79.61%の精度、91.05%の再現率を示した。
Quotes
"本研究は、ペリ膵臓浮腫の自動検出に関する初の取り組みである。"
"深層学習とラジオミクスの2つのアプローチを組み合わせた包括的な手法を提案している。"
"この成果は、膵臓疾患の評価と管理に大きな影響を与えると期待される。"