CT画像における深層学習を用いた肺動脈・静脈分類

最近の研究では、肺血管疾患が異なる生理学的メカニズムを通じて動脈または静脈に特異的に影響を与える可能性が示唆されている。これらの二つの血管系における変化を検出するために、臨床医は患者の胸部コンピュータ断層撮影（CT）画像を手動で分析し、異常を特定する必要がある。しかし、このプロセスは時間のかかるものであり、標準化が困難であるため、大規模な臨床研究には不向きであり、実臨床における意思決定支援としても有用性に欠ける。したがって、CT画像における動脈と静脈の自動分離技術は、病理状態の正確な診断を支援する可能性から、近年大きな注目を集めている。本論文では、胸部CT画像から血管を動脈と静脈に自動的に分類する、完全自動化された新規アプローチを提案する。本アルゴリズムは以下の3段階の手順を踏む：第一に、スケール空間パーティクル分割（scale-space particles segmentation）により血管を抽出；第二に、3次元畳み込みニューラルネットワーク（3-D CNN）を用いて血管の初期分類を実施；第三に、グラフカット（graph-cuts）最適化により分類結果を精緻化する。提案するCNNアーキテクチャの有効性を裏付けるために、気管支および血管強調画像から局所情報を取得する様々な2次元および3次元CNNを、異なる戦略で比較検討した。さらに、本手法とランダムフォレスト（RF）分類器との性能も比較した。本手法は、18例の非対照胸部CTスキャンを用いて、右肺の上葉および下葉を対象に、手動分類との比較に基づいて訓練および評価された。その結果、全体的な分類精度は94%を達成し、他のCNNアーキテクチャおよびRF分類器よりも高い性能を示した。さらに、慢性血栓塞栓性肺高血圧症を有する患者の対照強調CT画像を用いた検証により、本モデルが対照強調画像にも良好に一般化できることを確認した。本手法は、既存の最先端手法を上回り、今後の3次元CNNを用いたCT画像における動脈・静脈分類の実用化に向けた道筋を示している。