尿管分割のための二重エネルギーCT二物質分解を用いたトレーニングデータの生成 | JoVE Visualize

科学分野:

医用画像処理;放射線科における人工知能;泌尿器科画像処理

背景:

正確な尿管分節化は、様々な泌尿器科疾患の診断と管理に不可欠です。深層学習モデルは、効果的なトレーニングのために、大規模で高品質なデータセットを必要とします。特に非造影CTにおける尿管の分節マスクの生成は、課題となっています。

研究の目的:

二重エネルギーCT（DECT）ベースの二物質分解を使用して、尿管分節化のためのトレーニングデータを作成する実現可能性を評価すること。DECT由来の仮想非造影（VUE）画像を使用して、尿管分節化のための深層学習モデルを開発および評価すること。

主な方法:

DECT尿路造影を受けた180人の患者を対象とした後向き研究。二物質分解を用いて、後期排泄相（LEP）DECT画像から仮想非造影（VUE）画像を合成しました。LEP画像上で正解分節マスクを生成し、VUE画像とペアにしてトレーニングデータセットを形成しました。深層学習モデル（nnU-Netフレームワーク）を内部および外部データセットでトレーニングおよび検証しました。

主要な成果:

内部テストデータセットは高いパフォーマンスを達成しました：中央値ダイス係数0.89、適合率0.90、再現率0.88。外部検証では、中央値ダイス係数0.43、再現率0.28と限定的なパフォーマンスを示しましたが、適合率は高かったです（0.95）。すべての指標で、内部および外部検証データセット間で統計的に有意な差（P < 0.01）が観察されました。

結論:

DECTベースの二物質分解は、尿管分節化のためのトレーニングデータを生成するための実行可能な方法です。このアプローチは、外部検証における限界にもかかわらず、非造影CTスキャンでの尿管分節化の可能性を示しています。一般化可能性と臨床的適用性を向上させるためには、さらなる研究と多施設検証が必要です。