Lung nodule detection in chest CT images based on vision transformer network with Bayesian optimization. uthor links open overlay panelHassan Mkindu, et al. Biomedical Signal Processing and Control Volume 85, August 2023, 104866
ベイジアン最適化によるビジョン トランスフォーマー ネットワークに基づく胸部 CT 画像の肺結節の検出 生体信号の処理と制御 ボリューム 85、2023 年 8 月、104866
目的 肺がん患者は通常、放射線科医の助けを借りてコンピューター断層撮影 (CT) モダリティによって診断されます。 多くの場合、放射線科医は手動で CT 画像を分析しますが、これはより多くの時間を消費し、不正確な結果をもたらす大きな作業です。 したがって、この研究では、意思決定において放射線科医を支援するために、肺結節検出のためのベイジアン最適化を備えたビジョントランスフォーマーアーキテクチャに基づく自動化されたコンピューター支援診断 (CAD) スキームを提案します。
方法 ビジョン トランスフォーマー アーキテクチャは、シフトされたウィンドウ ベースのビジョン トランスフォーマー エンコーダーに依存して、肺結節機能の処理および伝搬効率を向上させます。 ベースライン検出モデルは、深い結節の特徴を抽出するためのシフトされたウィンドウベースのビジョン トランスフォーマーと、ネットワークの複雑さが低い候補結節を予測する領域提案ネットワークを統合することによって開発されます。 ガウス法によるベイジアン最適化を使用して、胸部 CT 画像での肺結節の検出に適したベースライン モデルからハイパーパラメータ値を最適化しました。
結果 提案されたネットワークを検証するために、Lung Nodule Analysis 2016 (LUNA16) パブリック データセットからの 10 倍クロス検証を含む 888 枚の CT 画像を使用しました。 パフォーマンス評価には、自由応答受信者の動作特性と競争パフォーマンス指標 (CPM) が使用されました。 提案されたアーキテクチャは、98.39% の最高の検出感度と 0.909 の CPM スコアを得ました。
結論 この研究では、胸部 CT 画像の肺結節検出のために、ベイジアン最適化によって決定されたビジョン トランスフォーマー ネットワークに基づく CAD システムを提案します。 経験的結果は、最先端の方法と比較して、提案されたアルゴリズムの有効性を証明しています。
Abstract
Purpose
Lung cancer patients are usually diagnosed by the Computed tomography (CT) modality with the help of radiologists. Frequently, radiologists manually analyse CT images, which is a big task that consumes more time and results in inaccuracy. Therefore, this study proposes an automated computer-aided diagnosis (CAD) scheme based on Vision Transformer architecture with Bayesian Optimisation for lung nodule detection to assist radiologists in decision-making.
Methods
The Vision Transformer architecture relies on the shifted window-based vision transformer encoders to improve the processing and propagation efficiency of the lung nodule features. The baseline detection model is developed by integrating shifted window-based vision transformer for deep nodule feature extractions and a region proposal network to predict candidate nodules with low network complexity. The Bayesian Optimisation with the Gaussian method was used to optimise the hyperparameter values from the baseline model suitable for lung nodule detection on chest CT images.
Results
We used 888 CT images with 10-fold cross-validation from the Lung Nodule Analysis 2016 (LUNA16) public dataset to validate the proposed network. Free-response receiver operating characteristics and competition performance metrics (CPM) was used for the performance assessment. The proposed architecture obtained the highest detection sensitivity of 98.39% and the CPM score of 0.909 with few network parameters.
Conclusion
This study proposes a CAD system based on a vision transformer network determined by Bayesian Optimisation for lung nodule detection in chest CT images. The empirical results prove the proposed algorithm's effectiveness compared to the state-of-the-art methods.
