動的ウェーブレット変換正規化マルチスケール密な注意UNetとバイナリホースハード最適化による骨肉腫診断
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：Dynamic wavelet transform normalized multi scale dense attention UNet with Binary Horse Herd Optimization for osteosarcoma diagnosis
雑誌名：Sci Rep. 2026 Mar 10; 16(1): doi: 10.1038/s41598-026-43015-8.
概 要：
骨肉腫は、急速に進行し複雑な組織の異質性を持つ原発性骨癌であり、正確な診断と治療計画が特に困難です。従来の画像診断アプローチは、活性腫瘍組織、非活性腫瘍領域、健康な骨を確実に区別することが難しく、セグメンテーションの不正確さや偽陽性率の上昇を引き起こします。本研究では、DWT-N-MSDAUNetというハイブリッド深層注意ベースのフレームワークを提案し、骨肉腫の正確なセグメンテーションと多クラス分類を実現します。このフレームワークは、画像強調のための動的ウェーブレット変換正規化（DWT-N）を統合し、次にマルチスケール密な注意U-Net（MSDA-UNet）を用いて正確な多スケール腫瘍セグメンテーションを達成します。
方 法：
本研究は、約1144枚のラベル付き画像からなる骨肉腫の画像データセットを用いた評価を行い、五重交差検証を実施して堅牢性と一般化を確保しました。MSDA-UNetは、Dice係数99.3%、Jaccard指数98.1%を達成し、境界誤差も低く（ASSD = 0.3 mm、HD = 1.2 mm）、UNetやAttention-UNetなどの他のモデルを上回りました。最終的な分類は、ボトルネックトランスフォーマーを使用し、Puma最適化器で最適化され、長距離の空間的および文脈的依存関係を効果的にモデル化しました。
結 果：
提案されたボトルネックトランスフォーマー分類器は、全体の精度99.5%、精度、再現率、F1スコアが99.5%以上、特異度99.55%を達成し、偽陽性率の低下を示しました。クラスごとの評価でも、AUC値が0.96から0.98の範囲で一貫した性能が確認されました。計算コストは軽量モデルに比べて増加しましたが、63 msの推論時間で臨床診断ワークフローへの適用が可能であることが示されました。
結 論：
このフレームワークは、高い診断精度と臨床的信頼性のバランスを取り、特に骨肉腫の生検ガイダンスや治療モニタリングにおいて効果的であることが強調されました。