Development of new method for differentiating benign and malignant breast lesions using synthetic MRI and artificial intelligence

Research Project

Project/Area Number	22K07797
Research Category	Grant-in-Aid for Scientific Research (C)
Allocation Type	Multi-year Fund
Section	一般
Review Section	Basic Section 52040:Radiological sciences-related
Research Institution	Ehime University
Principal Investigator	松田恵 (武智恵) 愛媛大学, 医学部附属病院, 准教授 (40600656)
Co-Investigator(Kenkyū-buntansha)	松田卓也愛媛大学, 医学系研究科, 助教 (10837123) 小川遼大阪大学, 大学院医学系研究科, 特任助教(常勤) (50895654) 城戸輝仁愛媛大学, 医学系研究科, 教授 (50403837)
Project Period (FY)	2022-04-01 – 2026-03-31
Project Status	Granted (Fiscal Year 2023)
Budget Amount *help	¥3,510,000 (Direct Cost: ¥2,700,000、Indirect Cost: ¥810,000) Fiscal Year 2025: ¥520,000 (Direct Cost: ¥400,000、Indirect Cost: ¥120,000) Fiscal Year 2024: ¥390,000 (Direct Cost: ¥300,000、Indirect Cost: ¥90,000) Fiscal Year 2023: ¥520,000 (Direct Cost: ¥400,000、Indirect Cost: ¥120,000) Fiscal Year 2022: ¥2,080,000 (Direct Cost: ¥1,600,000、Indirect Cost: ¥480,000)
Keywords	乳癌 / 乳腺MRI / Synthetic MRI / 定量マッピング / 人工知能 / レディオミクス特徴量 / 機械学習
Outline of Research at the Start	現在のMRIでの乳腺病変の標準的な良悪性判定法である乳腺造影MRIを用いたBI-RADSカテゴリー分類は、感度は高いが、特異度が低い点が問題である。そのため、より診断精度の高い新たな判定方法の開発が望まれてきた。従来から、T1値やT2値などの定量値は、乳腺病変の良悪性判定においてDCE-MRIの代替となり得る可能性が報告されてきたが、長い撮像時間や煩雑な手法を要すため、普及や応用は進んでいない。本研究では、Synthetic MRIにAIを融合させた診断システムを構築し、現在の標準的判定方法であるDCE-MRIより診断能の高い、判定方法の開発にチャレンジする。
Outline of Annual Research Achievements	・本研究の目的は、手法A（Synthetic MRIから得たマッピング画像（造影前後のT1値・T2値、PDの3種類の定量マップ画像　合計6種類）から作成したAIモデルを用いる）、手法B（放射線科医によるBI-RADSでのカテゴリー分類）の2種類の方法で乳腺病変の良悪性判定を行い診断能を比較すること、現在の乳腺MRIでの良悪性判定法の標準手法である手法BよりもSynthetic MRIとAIを使うことで診断能の高い手法Aを開発することである。・令和5年度は、主に本研究目的のうち手法Aにあたる、Synthetic MRIから得たマッピング画像から作成したAIによる良悪性判定プログラム作成、診断能の評価に関して作業を行った。手法Aに関しては、これまでの検討により、検討症例数などを考慮して当初予定していたDeep Learningを用いるのではなく、準備した学習画像からレディオミクス特徴量を抽出し、機械学習によるモデル作成を行う方針とした。・具体的には、令和5年度には、レディオミクス特徴量抽出のための学習画像（185病変）の準備、トリミング作業、テスト用病変（72病変）の準備を行った。学習画像の形式（jpeg→DICOM）やトリミングの手法（炬型→セグメンテーション）は、診断能向上を目指し令和4年度から変更した。また、テスト用病変の画像準備も実施した。学習用画像と同様に、DICOM形式でマッピング画像のデータを抽出した。レディオミクス特徴量抽出の際には、造影MRI画像を参考にマッピング画像上での病変の部位や形状などを把握し、セグメンテーションを行うが、造影MRI画像で設定した病変の範囲をマッピング画像上に転写することができれば、マッピング画像上で、より正確なセグメンテーションが可能と思われる。造影MRI画像とマッピング画像の間の位置ズレを考慮した転写の手法について検討し、学会発表を行った。
Current Status of Research Progress	Current Status of Research Progress 3: Progress in research has been slightly delayed. Reason 令和5年度もまだ新型コロナウイルス感染症の影響（特に前半）、研究分担者の所属変更などがあり、対面でのミーティング開催が難しかったことなどが原因で、研究の進捗に若干の遅れが生じた。
Strategy for Future Research Activity	・手法Aに関しては、診断能向上を目指して、引き続きモデル作成の手法などについて継続して検討する。・マッピング画像以外の乳腺MRIの画像所見、その他の臨床情報の収集は、今後行っていく。・手法Bに関しては、現在、学習用病変185病変のカテゴリー分類を2人の放射線科医によって実施中である。引き続き行う。その他、テスト用病変72病変も同様にBI-RADSによるカテゴリー分類を行い、診断能を算出し、手法Aと比較する。