| 研究課題/領域番号 |
22K07788
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分52040:放射線科学関連
|
|---|
| 研究機関 | 福井県立病院(陽子線がん治療センター(陽子線治療研究所)) |
|---|
研究代表者 |
前田 嘉一 福井県立病院(陽子線がん治療センター(陽子線治療研究所)), 陽子線治療研究所研究部門, 主任研究員 (70448025)
|
|---|
| 研究分担者 |
佐藤 義高 福井県立病院(陽子線がん治療センター(陽子線治療研究所)), 陽子線治療研究所研究部門, 研究員(医師) (10464067)
高田 宗樹 福井大学, 学術研究院工学系部門, 教授 (40398855)
片山 正純 福井大学, 学術研究院工学系部門, 准教授 (90273325)
高橋 泰岳 福井大学, 学術研究院工学系部門, 教授 (90324798)
|
|---|
| 研究期間 (年度) |
2022-04-01 – 2025-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
4,160千円 (直接経費: 3,200千円、間接経費: 960千円)
2024年度: 520千円 (直接経費: 400千円、間接経費: 120千円)
2023年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
2022年度: 2,080千円 (直接経費: 1,600千円、間接経費: 480千円)
|
|---|
| キーワード | 陽子線治療 / 肝細胞がん / CT画像誘導 / 適合陽子線治療 / 深層学習 / AI診断支援システム / 機械学習 / 自動輪郭生成 / 疑似画像生成 / 適合放射線治療 / 陽子線がん治療 / CT画像誘導治療 / 肝臓がん / 適合治療 |
|---|
| 研究開始時の研究の概要 |
肝臓がんの陽子線治療では日々の治療において肝臓内部の病巣部位置を3次元的に認識して陽子線を確実に照射するCT画像誘導技術が重要である．しかし、造影効果の小さいCT画像では病巣部の視覚的認識に困難がある．本研究は当院の陽子線治療で取得したCT及び造影MRI画像や肝がん病巣部の輪郭データを利用し、深層学習技術によって誘導CT画像における病巣部位置認識の支援技術の開発を行う．視覚支援技術では病巣部領域を示す輪郭と病巣部領域を造影する疑似MRI画像を自動生成するモデルを開発する．さらに、これらの支援技術を利用した画像誘導方法を検討し最適な肝臓がん陽子線治療方法の提案を目的とする．
|
| 研究実績の概要 |
肝臓がんの陽子線治療では、照射毎に3次元的画像誘導による病巣部の位置確認による高精度な画像照合が必要である．現在、陽子線治療ではこの3次元画像誘導装置として通常のCT装置が用いられ、画像照合や線量分布の確認に利用されている．しかし、通常のCT画像では、肝臓がん病巣部と正常肝組織の画像コントラストは良くない．術者の視覚的認識の曖昧さによって画像誘導精度の悪化や術者毎の誘導位置のばらつきが生じる可能性がある．本研究では、肝細胞がん陽子線治療で取得した造影MRI画像とCT画像を利用して深層学習モデルを構築し、画像誘導で取得したCT画像において病巣部の視覚認識を支援する技術開発を目的とする．
本年度は、2022年度に整備した219症例のCT画像と造影MR画像（Gd-EOB-DTPA造影画像）を利用して、CTとMR画像のそれぞれにおいて１）肝臓内部にある病巣部(GTV)を自動的に認識し、３次元的な輪郭を画像上に生成するモデル、2)画像コントラストの悪いCT画像をコントラストの良い疑似的MR画像に変換するモデルについて、データ割増方法や様々な画像処理について検討し、最新の深層学習モデルによる輪郭生成精度と画像変換精度について評価を行った．輪郭精度は、教師輪郭データと各種学習モデルによって生成された輪郭の一致度を示すダイス係数（完全一致=1、一致無し=0）によって評価し、CT画像から疑似的MR画像の変換精度については、画素毎に実MR画像と疑似MR画像の信号差の絶対値を算出して腫瘍体積内部と正常肝臓体積内部のそれぞれについて平均二乗誤差(MAE)を算出して評価を行った．また、実MR画像、実CT画像、疑似MR画像のそれぞれにおいて、病巣部体積内の平均信号強度を正常肝体積内の平均信号強度によって除したコントラスト比を算出し、検証した学習モデル毎に疑似画像のコントラスト評価を行った．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
2022年度に整備した深層学習用計算機に、本年度に購入した人工知能用計算処理集積回路と大容量データ蓄積用ハードディスクを装備した。この計算環境によって３次元データの深層学習モデル、敵対生成型深層学習モデル、MultiHead Attention機構を取り入れた深層学習モデルを構築し、その性能評価を行えるようになった．教育及び検証データについて、前年度構築した輪郭生成モデルによって肝臓輪郭を作成し、CT画像と造影MR画像の肝臓領域のみを残した画像を生成し、上記モデルの学習と検証に利用した．
60例の検証データにおいて、CT画像及びMR画像におけるGTV（病巣部）の輪郭生成のダイス係数は、MultiHead Attention機構のモデルが他のモデルに対して最も良い結果を与え、それぞれ0.37±0.30と0.49±0.3であった．これは昨年度開発したUnetモデルの結果(CT画像:0.26±0.28、MR画像:0.42±0.32)を大きく改善する結果となった．これはMultiHead Attention機構が肝臓がんの認識に有効であることが示唆された。疑似MR画像変換モデルにおいては、学習モデル間の差異は小さく正常肝領域のMAEは14±4と17±6であった．これは実MR画像の信号値(約100)に対して約15%の誤差に相当する．また、正常肝に対する病巣部のコントラス比は、CT画像では0.99±0.04であったが、変換モデルの出力画像の疑似MR画像では0.92±0.10となり、病巣部認識のコントラストが入力画像と比較して改善された。しかし、疑似MR画像のコントラスト比は、実画像のコントラスト比（0.83±0.17）に及ばなかった．検証60例の中で、今回開発した病巣部認識支援モデルによって検出可能な症例は約20例であった．認識能力改善が必要であるが、研究は順調に推進していると判断した．
|
| 今後の研究の推進方策 |
1)学習データの臨床的条件調査によるモデルの適応条件の明確化とモデルの診断支援能力の定量的評価
本研究では、誘導用単純CT画像を入力としたがん病巣部認識支援の学習モデル開発を目的とするが、比較検討のため造影MR画像を入力とした病巣部認識の精度評価も行ってきた．造影MR画像は視覚的にコントラストが良い症例が多いが、ダイス係数値は0.5程度であり期待していたほど良くない．これはダイス係数値が高い症例と係数値が小さい（~0）症例が混在していることが原因である．また、CT画像を入力とした場合のダイス係数値や疑似MR画像のコントラスト比の症例毎の傾向は、造影MR画像によるダイス係数値の大小傾向と若干の相関をもっているように見える．これは学習に使用している症例の状態、例えば、肝臓機能状態や肝細胞がんの悪性度等の条件が画像認識の良し悪しに影響を与えている可能性を示唆する．学習に利用している症例データの臨床的条件を調査し、学習データにおける条件の違いが学習モデルに与える影響を検証する．この検証によって、本研究で開発した病巣部認識支援モデルの適応条件を明確にすることを試みる．また、その適応条件に沿った新たな画像データの追加を行って当該モデルの病巣部認識の性能向上を試みる．
2)MR画像信号のスケール法の検討
肝臓内部のMR画像の信号平均値は症例毎に大きくばらつく．全症例の正常肝体積内部の標準偏差は平均値に対して約35%である．一方、CT画像においては3%程度ある．現在、画素毎のMR信号値は上記の平均値によってスケールして利用している．このスケール法について標準化や膵臓内部信号値によってスケールするなどの方法を試みる．また、このスケール法と上記1)の条件調査との関連性についても調査を行う．
|
