フリー呼吸3DMRIを用いた小児腹部脂肪組織のセグメンテーションと定量化のためのクロスコホート連結学習
Wenwen Zhang1,2, Sevgi Gokce Kafali1,3, Timothy Adamos4
1Department of Radiological Sciences, David Geffen School of Medicine, University of California Los Angeles, Los Angeles, CA, 90095, United States.
Radiology advances
|February 20, 2026
まとめ
連邦学習はMRIを使用して小児内臓および皮膚下脂肪組織 (VAT, SAT) を正確にセグメント化し,代謝疾患リスク評価を改善します. この迅速な方法は,共有することなく大人のデータを活用し,小児画像分析を強化します.
科学分野:
- メディカルイマージング (医学イメージング)
- 人工知能 (AI) とは,人工知能 (AI) のことです.
- 小児の健康に関する小児保健
背景:
- MRIによる小児腹部脂肪組織 (内臓および皮下) の定量化は,代謝疾患のリスク評価を助けます.
- 小児内臓脂肪組織 (VAT) の自動セグメンテーションは,その複雑な構造と限られたMRIデータセットのために困難です.
研究 の 目的:
- クロスコーホート・フェデレーテッド・ラーニング (FL) フレームワークを開発し,小児腹部VATとSATの正確かつ迅速な自動セグメンテーションを可能にします.
- 大人のMRIデータセットを利用して,小児のセグメンテーションモデルのパフォーマンスを向上させる.
主な方法:
- 訓練された3Dニューラルネットワークモデルの小児および成人の3Dフリー呼吸 (FB) ディクソンMRIデータセットで,統合学習アプローチを使用して.
- Diceのスコアを使用してセグメンテーションのパフォーマンスを評価し,FLモデルをスタンドアロンおよび共同トレーニング方法と比較しました.
- クラス内相関係数 (ICC) とBland-Altman解析を用いた,評価されたVATとSATの体積と陽子密度脂肪分数 (PDFF) の定量化.
主要な成果:
- FLモデルは,高いセグメンテーション精度 (VAT: 91.09%, SAT: 95.55%) を達成し,単独トレーニングのパフォーマンスを上回り,共同トレーニングのパフォーマンスをマッチしました.
- 量量測定では,FLと参照方法の間で強い一致 (VAT:ICC=0.99,SAT:ICC=1.00) が示されました.
- セグメンテーションのための推論時間は,被験者1人あたり3秒未満で,迅速な分析能力を実証しました.
結論:
- フェデレーテッド・ラーニング・フレームワークは,3D FB-MRI上の小児腹部VATとSATの正確かつ迅速な自動セグメンテーションを可能にします.
- このアプローチは,データプライバシーを損なうことなく,小児画像分析を改善するために,より大きな成人のデータセットを効果的に活用します.
- この方法は,脂肪組織の定量化を改善することにより,小児における代謝疾患のリスク評価を向上させることを約束しています.
