核心概念
深層学習を用いた脳卒中病変の自動分割を実現するため、健常脳と脳卒中データを組み合わせた合成データを活用することで、特定の撮像シーケンスに依存せずに高精度な分割が可能となる。
要約
本研究では、健常脳と脳卒中データを組み合わせた合成データを用いて深層学習モデルを訓練することで、特定の撮像シーケンスに依存せずに脳卒中病変を高精度に分割する手法を提案している。
まず、健常脳データ(OASIS-3)と脳卒中データ(ATLAS)を用いて、脳卒中病変を健常脳に合成的に追加した合成データを生成する。この際、病変の大きさや形状の多様性を表現するため、病変の強度変調や周囲組織との滑らかな境界処理などの拡張手法を導入している。
次に、この合成データと実データ(ATLAS)を組み合わせて深層学習モデル(UNet)を訓練する。評価では、同一ドメインの実データ(ATLAS)に加え、異なるドメインの実データ(ISLES 2015, ISLES 2022)でも高い精度を達成しており、特に異なるドメインでの性能が大幅に向上している。
これらの結果から、提案手法は特定の撮像シーケンスに依存せずに脳卒中病変を高精度に分割できる可能性が示された。今後は、合成データのみを用いた場合との比較や、マルチモーダルデータの活用など、さらなる性能向上が期待される。
統計
OASIS-3データセットには2679件の画像が含まれ、1379人の被験者から収集されている。
ATLAS データセットには655件の画像が含まれている。