本研究は、3D高解像度MRイメージングから脳腫瘍の特徴を効率的かつ解釈可能に学習する新しい状態空間モデルベースのアプローチを提案している。
まず、状態空間モデル(SSM)ベースのマスクオートエンコーダを開発し、3D高解像度データを効率的に処理できるようにした。SSMは長系列データを線形計算量で処理できるため、従来のビジョントランスフォーマーに比べて高解像度データにも適用可能である。
さらに、潜在表現と入力空間の対応関係を可視化する新しい手法を導入し、学習された特徴がどの領域に対応しているかを明示的に示すことで、モデルの解釈可能性を高めている。
提案手法を用いて、IDH変異状態と1p/19q共欠失の2つの脳腫瘍分類タスクで評価を行った。その結果、従来手法を上回る高精度な分類性能を達成し、状態空間モデルベースの自己教師あり学習の有効性を示した。特に、1p/19q共欠失分類では従来手法を大きく上回る性能を発揮した。
この成果は、高解像度医療画像データに対する効率的かつ解釈可能な特徴抽出手法の開発につながり、放射線オミクス解析の発展に寄与すると期待される。
他の言語に翻訳
原文コンテンツから
arxiv.org
深掘り質問