核心概念
本研究では、静的CT画像から患者固有の呼吸性変形ベクトル場を生成し、外部患者表面に基づく推定を活用することで、呼吸性CT画像を合成する深層学習手法を提案する。教師あり学習によるDVF学習と、合成画像とDVFの大きさに基づく敵対的学習を組み合わせることで、従来の深層学習手法に比べて、より現実的な呼吸性運動を再現できる。
要約
本研究では、静的CT画像から患者固有の呼吸性変形ベクトル場(DVF)を生成し、外部患者表面に基づく推定を活用することで、呼吸性CT画像を合成する深層学習手法を提案した。
主な特徴は以下の通り:
3D U-Netエンコーダ-デコーダアーキテクチャを用いて、呼吸振幅に基づいてDVFを生成する。
DVFの教師あり学習と、合成画像とDVFの大きさに基づく敵対的学習を組み合わせることで、より現実的な呼吸性運動を再現できる。
実際の4DCT画像を用いて広範囲に検証を行い、腫瘍や周辺臓器の運動を高精度に再現できることを示した。
同一患者の繰り返し4DCT撮影との差異と同程度の精度が得られることを確認した。
提案手法のコードとグラフィカルアプリケーションを公開し、再現性と利便性を高めている。
本手法は、放射線治療計画における4DCTの使用を削減し、被ばく線量を低減しつつ、正確な運動表現を維持する可能性がある。今後は、線量学的影響の評価など、さらなる検討が必要である。
統計
4D-Lung データセットの腫瘍体積は平均77±96 cm3、EOEとEOI相の腫瘍重心距離は5.46±2.66 mm、Dice係数は0.72±0.14であった。
CHRU データセットの腫瘍体積は平均6.4±9.1 cm3、EOEとEOI相の腫瘍重心距離は8.44±6.04 mm、Dice係数は0.39±0.31であった。