ディープラーニングを用いた様々な疾患モデルのマイクロCTにおける肺病態の自動定量化

科学分野:

• * 生物医学画像検査
• * コンピューター病理学
• * 臨床前研究

背景:

• 呼吸器疾患の研究において,マイクロコンピュータトモグラフィー (マイクロCT) は極めて重要であり,研究効率とヒト試験への翻訳性を高めています.
• * 大量のマイクロCTデータセットを分析することは,臨床前呼吸器疾患の研究における重要な瓶頸です.
• * 現在の方法は,縦断研究におけるマイクロCTデータの効率的な分析を制限しています.

研究 の 目的:

• * ネズミのマイクロCT画像における自動肺セグメンテーションのための一般的なディープラーニング (DL) モデルを開発する.
• * DLモデルの汎用性を様々な肺病変,疾患モデル,およびスキャナー構成で評価する.
• * 臨床前呼吸器疾患の研究における肺病態の効率的かつ正確な定量化を可能にする.

主な方法:

• * 多種多様な歯類の研究から得られた縦断マイクロCT画像を用いて,ディープラーニング (DL) ベースの肺セグメンテーションモデルを開発した.
• * 2Dモデルは,軸,冠状,サギタルスライスで訓練され,予測は2.5Dモデルに統合されました.
• * モデルの汎用性は,公的なデータベースを含む様々な研究 (COVID-19,炎症,線維症),歯類種,およびスキャナー構成でテストされました.

主要な成果:

• * 2.5D確率平均のDLモデルは,内部検証データで0.953 ± 0.023の高い平均ダイス類似度係数 (DSC) を達成した.
• * モデルは,異なる条件で平均DSC値が0.89から0.94までで,強い汎用性を示した.
• * 自動セグメンテーションによるバイオマーカーは手動セグメンテーションと密接に一致し,疾患の進行と治療への反応をモニタリングするモデルの能力を検証しました.

結論:

• * 開発されたDLパイプラインは,肺病理の定量化のための大規模なマイクロCTデータセットの効率的な分析を提供します.
• * このモデルは,歯類疾患モデルと様々な取得プロトコルに広く適用できます.
• * このアプローチにより,臨床前呼吸器研究における治療効果をリアルタイムで把握できます.