マルチスケール適応型Swin Transformerと埋め込み注意機構を用いた精密肺結節検出・分類のための多段階深層学習フレームワーク
カテゴリ：診断支援・画像解析
公開日：2026年1月14日
タイトル：Multi-phase deep learning framework with Multiscale Adaptive Swin Transformer and embedding attention for precision lung nodule detection and classification
雑誌名：Sci Rep. 2025 Dec 13; 16(1): 1652. doi: 10.1038/s41598-025-31147-2. Epub 2025 Dec 13.
概 要：
肺癌は世界的に癌関連死亡の主要な原因であり、肺結節の正確かつ効率的な検出と分類の必要性が強調されています。本研究では、臨床診断における精度、スケーラビリティ、適応性の課題に対処するための高度な多段階フレームワークを提案します。このフレームワークは、前処理、セグメンテーション、分類、最適化技術を活用し、Sparse Edge-Preserving Enhancement（SEPE）を用いて重要な結節特有の特徴を保持しつつノイズを低減します。セグメンテーションには、Atrous Spatial Pyramid Pooling（ASPP）とRefined Boundary Decoder（RBD）モジュールを統合したDeepLabv3+アーキテクチャを使用し、EfficientNetV2やDenseNet-201などの事前学習済みバックボーンをサポートします。分類フェーズでは、Multiscale Adaptive Swin Transformer（MA-SwinT）とMulti-Scale Embedding Attention Mechanism（MEAM）を用いて良性と悪性の結節を正確に区別します。Fossa Optimization Algorithm（FOA）を用いた最適化により、ハイパーパラメータを調整し、堅牢な性能を確保します。
方 法：
本研究は、肺結節の検出、セグメンテーション、分類を行うための多段階フレームワークを用いたもので、LUNA16およびLIDC-IDRIデータセットを対象にしています。前処理にはSEPEを使用し、セグメンテーションにはDeepLabv3+アーキテクチャを採用しています。分類にはMA-SwinTとMEAMを使用し、FOAでハイパーパラメータを最適化しました。
結 果：
LUNA16データセットにおいて、セグメンテーションはDice係数98.75%、IoU97.88%、Jaccard指数89.62%、Hausdorff距離2.025mm、精度99.15%、適合率98.50%、再現率99.00%、F1スコア98.75%、特異度99.20%を達成しました。LIDC-IDRIデータセットでは、セグメンテーションがDice係数98.92%、IoU98.21%、Jaccard指数90.15%、Hausdorff距離2.010mmを示し、分類の精度は99.40%、適合率99.00%、再現率99.20%、F1スコア99.10%、特異度99.55%でした。
結 論：
このフレームワークは、高い精度、再現率、全体的な精度を達成し、臨床応用における肺結節診断の信頼できるツールとなる可能性が示されました。