肝細胞がんに対するアブレーション後マージン評価のための腫瘍収縮を考慮したマルチシーケンスMRIフレームワーク

科学分野:

• 医用画像
• 腫瘍学
• 人工知能

背景:

• 肝細胞がん（HCC）は死亡率が著しく高く、マイクロ波アブレーション（MWA）は非外科的候補者にとって重要な治療法です。
• MWA後のアブレーションマージンの正確な評価は非常に重要ですが、熱誘発性の組織変形によって複雑になります。
• 既存の方法では、腫瘍の収縮とそのマージン評価への影響を正確に定量化することが困難です。

研究 の 目的:

• マルチシーケンスMRIを使用したMWA後の腫瘍収縮を定量化するための新しい深層学習モデル、MDCNetを開発および検証すること。
• アブレーションマージン評価を改善するために、MWA後の画像における非微分可能な変形の課題に対処すること。
• 画像登録に腫瘍収縮予測を統合することにより、不完全アブレーション検出の精度を向上させること。

主な方法:

• マルチシーケンスMRIデータを利用するマルチシーケンス距離誘導補完ネットワーク（MDCNet）を提案しました。
• 差分組織収縮とMWAエネルギー減衰をモデル化するために、距離を認識するマスク変換戦略を導入しました。
• 遅延相とT2強調MRIシーケンスからの補完情報を統合するために、ゲートチャネル融合モジュールを実装しました。
• 115人のHCC患者を対象に、TransMorph登録モデルに腫瘍収縮予測を統合することにより、MDCNetのパフォーマンスを評価しました。

主要な成果:

• MDCNet強化登録手法は、ベースライン手法と比較して腫瘍変形精度を大幅に向上させました。
• このアプローチは、不完全アブレーションの特定においてより高いユウデン指数を達成し、2D放射線科医の評価を上回りました。
• MDCNetは解釈可能な予測を提供し、HCC治療モニタリングにおける臨床的意思決定支援の可能性を示しました。

結論:

• MDCNetは、マルチシーケンスMRIと高度な深層学習技術を活用することにより、MWA後の腫瘍収縮を効果的に定量化します。
• 提案された方法は、アブレーションマージン評価の精度と不完全なHCCアブレーションの検出を向上させます。
• MDCNetは、HCC管理における治療後評価と臨床的意思決定の改善に役立つツールを提供します。