CT スキャンにおける脳内出血分類のための Vision Transformer: 適応的なスキャンレベルの意思決定融合を実現するエントロピー認識度の模糊積分戦略を用いた

arXiv:2503.08609v2 Announce Type: replace-cross Abstract: 脳内出血（ICH）は、頭蓋骨内への内部出血を引き起こす脳血管の破裂による、極めて重要な医療緊急事態です。出血サブタイプの正確かつタイムリーな分類は、効果的な臨床意思決定に不可欠です。この課題に対処するため、我々は階層的時間注意機構を有する пирамидальный Vision Transformer (PVT) に基づく高度なモデルを提案しました。このモデルは、脳 CT スキャンにおける局所的および全球的な空間依存関係の両方を捉えるために、その階層的な注意力機構を活用しています。抽出されたすべての特徴を恣意的に処理するのではなく、SHAP ベースの特徴選択手法を用いて、最も鑑別力のある成分を特定し、それらを潜在特徴空間として利用するために昇昇ニューラルネットワークをトレーニングすることで、計算複雑性を低減しました。我々は、スライス間の依存関係を考慮することで、より包括的で信頼性の高いスキャンレベルの診断を確保するためのエントロピー認識度の集約戦略と模糊積分演算子を導入しました。実験結果は、我々の PVT ベースのフレームワークが、分類精度、精度、頑健性の観点から、最先进的の深層学習アーキテクチャを上回ることを示しています。SHAP ドライブの特徴選択、トランスフォーマーベースのモデル化、そして意思決定融合のためのエントロピー認識度の模糊積分演算子を組み合わせることで、我々の方法は、自動的に ICH サブタイプ分類を行うためのスケーラブルで計算効率的な AI ドライブの解決策を提供します。

arXiv:2503.08609v2 Announce Type: replace-cross Abstract: Intracranial hemorrhage (ICH) is a critical medical emergency caused by the rupture of cerebral blood vessels, leading to internal bleeding within the skull. Accurate and timely classification of hemorrhage subtypes is essential for effective clinical decision-making. To address this challenge, we propose an advanced pyramid vision transformer (PVT)-based model, leveraging its hierarchical attention mechanisms to capture both local and global spatial dependencies in brain CT scans. Instead of processing all extracted features indiscriminately, A SHAP-based feature selection method is employed to identify the most discriminative components, which are then used as a latent feature space to train a boosting neural network, reducing computational complexity. We introduce an entropy-aware aggregation strategy along with a fuzzy integral operator to fuse information across multiple CT slices, ensuring a more comprehensive and reliable scan-level diagnosis by accounting for inter-slice dependencies. Experimental results show that our PVT-based framework significantly outperforms state-of-the-art deep learning architectures in terms of classification accuracy, precision, and robustness. By combining SHAP-driven feature selection, transformer-based modeling, and an entropy-aware fuzzy integral operator for decision fusion, our method offers a scalable and computationally efficient AI-driven solution for automated ICH subtype classification.