U-netとTransformerベースのセグメンテーションによる7テスラMRIでの多発性硬化症病変の自動検出
arXiv cs.CV / 2026/4/2
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisTools & Practical UsageModels & Research
要点
- 本研究は、1.5〜3Tのような低磁場MRIで学習した多発性硬化症（MS）病変の自動セグメンテーションモデルが、コントラストの違いやアーティファクトの影響により、超高磁場7T画像へはうまく転移できない可能性を示している。
- 研究者らは、複数の解像度を用いて7T FLAIR上で3D UNETRおよびTransformerベースのSegFormerモデルを学習・評価し、BraTS 2023のボクセル単位および病変単位の指標に基づいて、Lesion Segmentation Toolの各バリアント（LST-LPAおよびLST-AI）と比較した。
- ネイティブ7T解像度では、TransformerモデルがLST-AIと同等の重なりを達成し、小さな病変の検出もより良好であった。一方で、境界のばらつきや、アーティファクトに起因する偽陽性がいくつか見られた。
- 学習時のダウンサンプリングは性能を低下させ、微小な白質病変の検出にはネイティブ7T解像度が重要であることが示された。
- 著者らは、7T研究におけるMS病変の自動定量のために、再現可能でそのまま利用できる7T学習済みセグメンテーションモデルを公開した（GitHubを提供）。
