MEDICINE & AI

タイトル：Improving brain atrophy quantification with deep learning from automated labels using tissue similarity priors 雑誌名：Comput Biol Med. 2024 Sep; 179: 108811. 概　要： この研究では、磁気共鳴画像（MRI）から得られる脳萎縮の定量を改善するための深層学習パイプラインを提案します。従来の自動ラベルから学習し、組織類似性の正則化を通じて、同一被験者の短期間内のスキャンから得られる組織ボリュームが類似であるという事前知識を活用します。この手法は、無ラベルのT1強調MRIスキャンペアを用いて訓練され、完全自動で脳組織のセグメンテーションを生成します。提案されたパイプラインは、健康な対照群とアルツハイマー病患者のMRIデータセットで評価され、短期間のスキャンペアにおいて定量誤差を減少させ、脳萎縮の測定の一貫性を向上させることが示されました。 方　法： 本研究は、無ラベルのT1強調MRIスキャンペアを用いた深層学習に基づくコホート研究です。組織類似性正則化を用いて、同一被験者の短期間内のスキャンペアから得られる組織ボリュームの差異をペナルティとして加え、訓練を行います。評価には、MIRIADおよびADNI1の2つのMRIデータセットを使用し、健康な対照群とアルツハイマー病患者の長期的および短期間の画像を分析します。 結　果： 提案されたパイプラインは、MIRIADデータセットでCohenのd効果量が2.07に達し、訓練に使用した参照パイプラインの1.01から向上しました。また、ADNI1データセットでも効果量が1.37に改善され、参照パイプラインの0.80を上回りました。短期間のスキャンペアでは、組織類似性正則化により定量誤差が減少し、脳萎縮の測定の変動性が低下しました。 結　論： 提案された深層学習パイプラインは、脳萎縮の定量精度と信頼性を向上させ、神経変性疾患における診断および予後マーカーとしての脳萎縮の利用を促進する可能性があります。