多病変インタラクティブセグメンテーションのためのMOIS-SAM2：神経線維腫の全身MRIにおける例示ベースのセグメント・エニシングモデル2
カテゴリ：診断支援・画像解析
公開日：2026年2月19日
タイトル：MOIS-SAM2: Exemplar-based segment anything model 2 for multi-lesion interactive segmentation of neurofibromas in whole-body MRI
雑誌名：Comput Biol Med. 2026 Jan 15; 201: 111422.
概 要：
本研究は、神経線維腫症タイプ1における神経線維腫（NF）の全身MRI（WB-MRI）に対する新しいインタラクティブセグメンテーションモデルMOIS-SAM2を提案します。従来の手法は、数百の病変に対して高精度なセグメンテーションを実現できていませんでした。MOIS-SAM2は、ユーザープロンプトを用いて少数の病変をセグメントし、その知識を全体のスキャンにわたって類似の未プロンプト病変に伝播させることで、この課題に対処します。84人のNF1患者から取得した119件のWB-MRIスキャンを用いて評価されました。
方 法：
MOIS-SAM2は、トランスフォーマーベースのセグメント・エニシングモデル2（SAM2）を拡張した多対象インタラクティブセグメンテーションモデルです。データセットは患者レベルで分割され、トレーニングセットと4つのテストセット（異なるドメインシフトシナリオを反映）に分けられました。セグメンテーション性能は、スキャンごとのDice Similarity Coefficient（DSC）、病変検出F1スコア、病変ごとのDSCを用いて評価されました。
結 果：
MOIS-SAM2は、専門家の手動注釈に対してスキャンごとのDSCが0.60を達成し、従来の3D nnU-Net（DSC: 0.54）やSAM2（DSC: 0.35）を上回りました。MRIフィールド強度の変化に対しても性能を維持し（DSC: 0.53）、低腫瘍負荷の場合には改善（DSC: 0.61）されました。病変検出F1スコアはテストセット間で0.62から0.78の範囲でした。初期の読影者間変動分析では、モデルと専門家の一致度（DSC: 0.62-0.68）が専門家間の一致度（DSC: 0.57-0.69）に匹敵しました。
結 論：
MOIS-SAM2は、最小限のユーザー入力で神経線維腫のWB-MRIにおける効率的かつスケーラブルなインタラクティブセグメンテーションを可能にし、臨床ワークフローへの統合を支援します。モデルとコードはGitHubで公開されています。