Core Concepts
深層学習を用いた完全自動化パイプラインを開発し、術後のグリオブラストーマ画像の腫瘍領域、浮腫領域、手術空洞の分割を行い、現在利用可能な他のモデルと比較した。
Abstract
本研究では、術後のグリオブラストーマ画像の自動分割を目的として、深層学習を用いた完全自動化パイプラインを開発した。複数の研究機関と公開データベースから収集した多様なデータセットを用いて、ニューラルネットワークモデルを訓練した。
モデルの入力には多パラメータMRIを使用し、出力ラベルには造影腫瘍領域、手術空洞、浮腫/壊死領域が含まれる。
開発したモデルは、外部検証コホートにおいて、既存の最先端モデルと比較して優れた性能を示した。特に、手術による全摘出(GTR)と残存腫瘍(RT)の分類精度が高く、92%の正確度を達成した。
本研究の成果は、術後のグリオブラストーマ画像処理と分割タスクにおいて、臨床応用が期待できる有用なツールを提供するものである。
Stats
術後72時間以内に撮影された画像は182枚
経過観察時の画像は102枚
術前の画像は112枚
外部検証コホートには52枚の画像が含まれ、そのうち36枚が術早期の画像、16枚が術後遅期の画像
Quotes
"術後のグリオブラストーマ分割は、放射線治療計画や経過観察における重要な指標となる残存腫瘍量の正確な測定に不可欠である。"
"手術直後の画像では、出血性の残渣、虚血性変化、アーチファクトなどの問題により、放射線科医にとって大きな課題となっている。"
"自動化された分割手法の開発は、客観的で再現性の高い腫瘍量評価を可能にし、多施設共同臨床試験における中央判定の必要性を低減できる。"