비전 변환기를 사용한 유방 MRI의 섬유선 조직 분할: 다중

Scientific Reports 13권, 기사 번호: 14207(2023) 이 기사 인용

측정항목 세부정보

유방 MRI 검사에서 섬유선 조직의 정확하고 자동 분할은 유방 밀도와 배경 실질 조영증강을 정량화하는 데 필수적입니다. 이 후향적 연구에서 우리는 다중 기관 MRI 데이터에서 유방 분할을 위한 변환기 기반 신경망(TraBS)을 개발 및 평가하고 그 성능을 잘 확립된 컨벌루션 신경망 nnUNet과 비교했습니다. TraBS와 nnUNet은 숙련된 독자가 생성한 수동 분할을 사용하여 200개의 내부 유방 MRI 검사와 40개의 외부 유방 MRI 검사에 대해 훈련 및 테스트되었습니다. 분할 성능은 주사위 점수와 평균 대칭 표면 거리를 기준으로 평가되었습니다. nnUNet의 Dice 점수는 내부 테스트 세트(0.909 ± 0.069 대 0.916 ± 0.067, P < 0.001) 및 외부 테스트 세트(0.824 ± 0.144 대 0.864 ± 0.081, P = 0.004)에서 TraBS보다 낮았습니다. 또한 내부(0.657 ± 2.856 대 0.548 ± 2.195, P = 0.001) 및 외부 테스트 세트(0.727 ± 0.620 대 0.584 ± 0.413, P =)에서 TraBS보다 nnUNet의 평균 대칭 표면 거리가 더 높았습니다(= 더 나빴습니다). 0.03). 우리의 연구는 변환기 기반 네트워크가 nnUNet과 같은 컨볼루션 기반 모델에 비해 유방 MRI에서 섬유선 조직 분할의 품질을 향상시킨다는 것을 보여줍니다. 이러한 발견은 유방 MRI 검사에서 유방 밀도 및 실질 조영증강 정량화의 정확성을 높이는 데 도움이 될 수 있습니다.

유방암은 여성 인구에서 가장 흔한 유형의 암이며, 미국에서 여성 사망 원인 2위를 차지합니다. 유방암 검진을 위한 새로운 지침에서는 치밀 유방 조직을 가진 여성에게 MRI를 사용할 것을 권장합니다2,3. 유방 조영술에서 유방 밀도를 평가하기 위한 딥 러닝 기반 도구는 이미 개발되었지만4, MRI 검사에서 유방 밀도(섬유선 조직(FGT) 대 유방 부피의 비율)에 대한 일관되고 신뢰할 수 있는 자동 평가는 여전히 부족합니다. 유방 밀도 외에도 섬유선 조직의 강화인 배경 실질 조영증강(BPE)도 유방암의 조기 발견을 위한 유망한 지표로 등장했습니다5,6 그러나 BPE에 대한 신뢰할 수 있는 자동 평가도 부족합니다. FGT를 분할할 수 있는 기계 학습 알고리즘의 개발은 유방 MRI 검사에서 유방 밀도와 BPE를 자동으로 정량화하는 중요한 첫 번째 단계입니다.

여러 연구에서는 수동으로 분할된 유방 MRI 검사에서 CNN(컨벌루션 신경망)을 훈련하고 단일 센터 테스트 세트에서 성능을 평가하여 이 문제를 조사했습니다. 이러한 모든 출판물에서 인간이 생성한 분할 맵과 기계가 생성한 분할 맵 간의 높은 수준의 일치는 CNN의 잠재력을 보여줍니다. 그러나 이러한 알고리즘을 널리 도입하는 데에는 중요한 장애물이 있습니다. 즉, MRI 검사가 표준화되지 않았습니다. 다양한 임상 센터에서는 유방암 진단을 위해 다양한 MRI 프로토콜과 순서를 사용합니다. 우리가 발견한 연구 중 어느 것도 알고리즘이 개발된 기관에 속하지 않은 독립적인 데이터에 대해 CNN 아키텍처를 테스트하지 않았습니다.

또한, 특히 병변, 수술 흉터 및 유방 보형물이 있는 경우 유방 MRI 세분화를 위한 강력한 모델을 개발하는 것이 어렵습니다10,11. 그러한 잠재적인 혼란 요인의 맥락에서 유방 MRI에 대한 분할 모델의 평가는 거의 주목을 받지 못했습니다. 이전 연구에서는 유방 보형물12,13을 제외하거나 건강한 FGT와 병리학적인 FGT14를 정확하게 구별하는 것이 어렵다는 점을 인정했습니다.

Transformer 기반 모델은 다른 의료 영상 분석 애플리케이션에서 CNN보다 더 강력하고 일반화 가능하며 공격 방지 기능이 있는 것으로 입증되었습니다15,16. 이들은 자연어 처리17,18에 대한 최첨단 결과를 달성했는데, 그 이유는 주로 장기적인 종속성을 처리하는 능력과 다운스트림 작업에 대한 자체 감독 사전 훈련 덕분입니다.