深層学習による肺動脈造影CT画像からの慢性肺動脈血栓の自動検出

• Project/Area Number: 23K15098
• Research Category: Grant-in-Aid for Early-Career Scientists
• Allocation Type: Multi-year Fund
• Review Section: Basic Section 53020:Cardiology-related
• Research Institution: Nagoya University
• Principal Investigator: 中野 嘉久 名古屋大学, 医学部附属病院, 特任助教 (80845131)
• Project Period (FY): 2023-04-01 – 2026-03-31
• Project Status: Granted (Fiscal Year 2024)
• Budget Amount: ¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000); Fiscal Year 2025: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000); Fiscal Year 2024: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000); Fiscal Year 2023: ¥2,340,000 (Direct Cost: ¥1,800,000、Indirect Cost: ¥540,000)
• Keywords: 慢性肺血栓塞栓症 / 急性肺塞栓症 / 慢性血栓塞栓性肺高血圧症 / ディープラーニング / CT

Outline of Research at the Start

急性肺塞栓症後の慢性期の病態である慢性血栓塞栓性肺疾患や最重症の病型で難病である慢性血栓塞栓性肺高血圧症についてはまだ不明な点が多い。研究代表者らは新たに肺動脈血栓の描出に優れたCTプロトコールを作成し研究を実施、結果急性肺塞栓症１年後において従来の報告と比し高頻度に肺動脈残存血栓を検出した。これらの症例の中には慢性期に重症化するリスクが高い症例が含まれる。一方、本CTプロトコールは微細な肺動脈血栓まで描出できるが、その読影には高い専門性が必要であった。本研究ではこのCT画像をAIを用いてディープラーニングさせることで肺動脈残存血栓を自動で検出するアプリケーションの開発と臨床応用を目的とする。

Outline of Annual Research Achievements

急性肺塞栓症(pulmonary hypertension：PE)後の慢性期の病態である慢性血栓塞栓性肺疾患(chronic thromboembolic pulmonary disease: CTEPD)やさらには最重症の病型で難病であり生命予後に影響する慢性血栓塞栓性肺高血圧症(chronic thromboembolic pulmonary hypertension: CTEPH)に移行する症例が少なからずあり、臨床的に重要な課題となっている。また2025年3月に改訂された日本循環器学会のガイドラインにおいて、肺高血圧症の定義が平均肺動脈圧20mmHgを超える場合と下方修正され、より多くの患者さんの早期発見が重要となる。
本研究ではCTEPDやCTEPHに進展するリスクが高い症例を早期に発見する手法として、申請者のグループが用いている肺動脈血栓の描出精度に優れたCTプロトコールにより撮影したCT画像をAIを用いてディープラーニングさせることで肺動脈残存血栓を自動で検出するアプリケーションの開発と臨床応用を目的としている。
初年度に教師データを用いて専門医の目で画像上確認できる血栓をマーキングする作業を複数症例にて実施し、さらにMatlabソフトウェアを使用し畳み込みニューラルネットワーク(convolutional neural network: CNN)の一種である3D U-Netと呼ばれるネットワークの構築作業を進めた。
2024年度は検証用の画像セットも用意し、教師データを用いて3D U-Netで学習させ、スクリプトの修正を行い、さらに精度の検証を進めた。その結果、3Dでは現状では予測精度が不十分と判断し、2Dを3断面から学習し予測する手法への変更をしていく方針とした。

Current Status of Research Progress

3: Progress in research has been slightly delayed.

Reason

2024年度は検証用の画像セットも30例ほど用意し、教師データを用いて3D U-Netで学習させ、検証用画像セットで予測をすべくネットワークの修正を行い、さらに精度の検証を進めた。その結果、3Dでは現状では予測精度が不十分と判断し、2Dを3断面から学習し予測する手法への変更をしていく方針とした。

Strategy for Future Research Activity

2025年度は最終年度であり、2Dを3断面から学習し予測する手法と予測のネットワーク構築を再度行い、予測精度を高め、結果を報告する方針である。