皮膚病変の分類とセグメンテーションを改善するための高度なハイブリッドトランスフォーマCNNフレームワーク
カテゴリ：診断支援・画像解析
公開日：2026年6月28日
タイトル：Advanced hybrid transformer CNN framework for improved skin lesion classification and segmentation.
雑誌名：Sci Rep. 2026 Mar 15; 16(1): doi: 10.1038/s41598-026-43376-0.
概 要：
皮膚癌は年々増加している医療上の懸念であり、早期発見と分類において深層学習手法が有望な結果を示していますが、非均一な輝度や低コントラスト、皮膚上の毛による画像の課題があります。本研究では、皮膚病変の分類とセグメンテーションのためのトランスフォーマーに基づく新しい二重アーキテクチャを提案します。提案する分類モデルは、畳み込みモデルとトランスフォーマーモデルの組み合わせであるGlobal Contextual Vision Transformer（GlobalSkinNet）に基づいています。GlobalSkinNetは、選択されたパラメータとAdamオプティマイザを用いて訓練され、複数のベンチマークデータセットで高い精度を達成しました。
方 法：
本研究は、皮膚病変の分類とセグメンテーションのための二重アーキテクチャを用いたもので、GlobalSkinNetモデルはPH2、ISIC-2019、ISIC-2020、HAM10000の4つのベンチマークデータセットで評価され、精度はそれぞれ100%、98%、97%、98%を達成しました。セグメンテーションモデルSkinFormNetは、事前学習済みのSegFormerモデルを用いて特徴抽出を行い、その後U-Netアーキテクチャに入力されます。セグメンテーションモデルは、PH2、ISIC-2016、ISIC-2017、ISIC-2018、HAM10000の5つのベンチマークデータセットで評価されました。
結 果：
GlobalSkinNetモデルは、PH2、ISIC-2019、ISIC-2020、HAM10000のデータセットでそれぞれ100%、98%、97%、98%の精度を達成しました。SkinFormNetセグメンテーションモデルは、PH2、ISIC-2016、ISIC-2017、ISIC-2018、HAM10000のデータセットでそれぞれ0.97、0.98、0.94、0.99、0.96のダイス係数を達成しました。
結 論：
提案されたハイブリッドトランスフォーマCNNフレームワークは、皮膚病変の分類とセグメンテーションにおいて高い精度を示し、皮膚癌の早期発見に寄与する可能性があります。