ビジョントランスフォーマーを使用した乳房 MRI における線維腺組織のセグメンテーション: マルチ

Scientific Reports volume 13、記事番号: 14207 (2023) この記事を引用

メトリクスの詳細

乳房 MRI スクリーニングにおける線維腺組織の正確かつ自動セグメンテーションは、乳房密度と背景実質増強の定量化に不可欠です。 この後ろ向き研究では、複数施設の MRI データにおける乳房セグメンテーション用のトランスベース ニューラル ネットワーク (TraBS) を開発および評価し、そのパフォーマンスを十分に確立された畳み込みニューラル ネットワーク nnUNet と比較しました。 TraBS と nnUNet は、経験豊富な人間の読み取り者によって生成された手動セグメンテーションを使用して、200 件の内部および 40 件の外部乳房 MRI 検査でトレーニングおよびテストされました。 セグメンテーションのパフォーマンスは、Dice スコアと平均対称面距離の観点から評価されました。 nnUNet の Dice スコアは、内部テストセット (0.909 ± 0.069 対 0.916 ± 0.067、P < 0.001) および外部テストセット (0.824 ± 0.144 対 0.864 ± 0.081、P = 0.004) で TraBS よりも低かった。 さらに、平均対称面距離は、内部テストセット (0.657 ± 2.856 対 0.548 ± 2.195、P = 0.001) および外部テストセット (0.727 ± 0.620 対 0.584 ± 0.413、P = ) で TraBS よりも nnUNet の方が高かった (= 悪かった)。 0.03）。 私たちの研究は、nnUNet のような畳み込みベースのモデルと比較して、トランスベースのネットワークが乳房 MRI における線維腺組織のセグメンテーションの品質を向上させることを示しています。 これらの発見は、乳房 MRI スクリーニングにおける乳房密度および実質増強の定量化の精度を向上させるのに役立つ可能性があります。

乳がんは女性人口に最も多いがんの種類であり、米国における女性の死亡原因の第 2 位となっています1。 乳がんスクリーニングの新しいガイドラインでは、乳房組織が濃い女性に対して MRI の使用を推奨しています 2,3。 マンモグラフィーでの乳房密度を評価するための深層学習ベースのツールはすでに開発されています4が、MRI 検査での乳房密度 (乳房体積に対する線維腺組織 (FGT) の比率) の一貫した信頼性の高い自動評価はまだ不足しています。 乳房密度に加えて、線維腺組織の増強であるバックグラウンド実質増強（BPE）も乳がんの早期発見のための有望なマーカーとして浮上しています 5,6 が、BPE の信頼できる自動評価も不足しています。 FGT をセグメント化できる機械学習アルゴリズムの開発は、乳房 MRI 検査における乳房密度と BPE の自動定量化に向けた重要な第一歩です。

いくつかの研究では、手動でセグメント化された乳房 MRI 検査で畳み込みニューラル ネットワーク (CNN) をトレーニングし、単一施設のテスト セットでのパフォーマンスを評価することで、この問題を調査しています 7、8、9。 これらすべての出版物において、人間が生成したセグメンテーション マップと機械が生成したセグメンテーション マップが高度に一致していることは、CNN の可能性を示しています。 しかし、このようなアルゴリズムの広範な導入には重要な障害があります。それは、MRI 検査が標準化されていないことです。 さまざまな臨床センターが、乳がんの診断にさまざまな MRI プロトコルとシーケンスを使用しています。 私たちが見つけた研究では、アルゴリズムが開発された機関に属さない独立したデータで CNN アーキテクチャをテストしたものはありませんでした。

さらに、乳房 MRI セグメンテーション用の堅牢なモデルの開発は、特に病変、手術痕、乳房インプラントが存在する場合には困難です 10,11。 このような潜在的な交絡因子を考慮した乳房 MRI のセグメンテーション モデルの評価は、ほとんど注目されていません。 これまでの研究では、乳房インプラントは除外されているか、健康な FGT14 と病的な FGT14 を正確に区別することの困難性が認められています。

トランスフォーマーベースのモデルは、医用画像解析の他のアプリケーションにおける CNN よりも堅牢で、一般化可能で、攻撃耐性があることが証明されています 15、16。 彼らは自然言語処理で最先端の結果を達成しました17,18。これは主に、長期的な依存関係と下流タスクの自己教師付き事前トレーニングを処理する能力のおかげです。