個別化した猫の脊髄刺激モデリングのための新しいCNNベースの画像セグメンテーションパイプライン

情報科学 人工知能 神経内科学 医用画像学 生命科学 医学 バイオエンジニアリング
脊髄刺激 機械学習 自動セグメンテーション 軸索募集 畳み込みニューラルネットワーク 人工知能

卷積ニューラルネットワーク(CNN)に基づく画像分割パイプラインを用いた個体化された猫の脊髄刺激モデリング

背景と研究動機

脊髓刺激(Spinal Cord Stimulation, SCS)は、慢性疼痛管理に広く使用されている治療法です。近年、SCは神経活動を調節し、失われた自律または感覚運動機能を回復させるためにも使用されています。個別化されたモデリングと治療計画は、SCを安全かつ効果的に行うための重要な側面です。しかし、必要な詳細さと精度のあるスパイン模型の生成には、人間の専門家による時間のかかる手動の画像分割が必要となります。したがって、限られたデータでも高品質の解剖学的モデルを生成できるよう、自動化された分割アルゴリズムが切実に求められています。

論文の出典

本論文は、Alessandro Fasseら、Taylor Newton、Lucy Liang、Uzoma Agbor、Cecelia Rowland、Niels Kuster、Robert Gaunt、Elvira Pirondini、Esra Neufeld(スイスのFoundation for Research on Information Technologies in Society (IT’IS)、Swiss Federal Institute of Technology (ETH)、アメリカのPittsburgh大学のRehab and Neural Engineering LabsおよびCenter for Neural Basis of Cognition)によって執筆されました。本論文は2023年に学術誌「Journal of Neural Engineering」に掲載されました。

研究方法

本論文では、MRI画像の自動脊髄分割とモデル生成のためのCNNベースのパイプラインが紹介されており、以下のステップで構成されています。

  1. 画像の前処理

    • N4ITKバイアスフィールド補正を使用してMR画像の均一性を改善
    • 関心領域(ROI)を抽出するための適応的マスク化アルゴリズムを使用し、バックグラウンドノイズを低減

  2. データ拡張

    • 平行移動、回転、スケーリングなどの仿射変換を用いて画像のバリエーションを生成し、ネットワークの一般化能力を向上させる。各トレーニング画像から2～5個の拡張画像を生成。

  3. 転移学習

    • 別のデータセットで事前学習されたネットワーク重みを初期値として使用し、学習時間を短縮し、性能を向上させる。

  4. 後処理

    • 自動化された修正プログラムを使用して主要な連結成分を識別、保持し、孤立したノイズ領域を除去することで、モデルの連続性を確保する。

データ収集とラベル付け

3匹の猫の脊髄MRIデータが使用されました。 1. LS1: 猫の腰仙椎領域 2. LS2: 猫の腰椎および一部の仙椎領域 3. CS1: 猫の頸椎領域

各サンプルはマニュアル分割とラベル付けが行われており、ニューラルネットワークの訓練とバリデーションのための基礎データとなっています。具体的には、脳脊髄液(CSF)、後根、硬膜外脂肪、灰白質、腹根、白質などの組織が分割されています。

ニューラルネットワークアーキテクチャ

小規模データセットで優れた性能を発揮するHardNetブロックとレセプティブフィールドブロック(RFB)デコーダーを組み合わせた最適化されたHardNetアーキテクチャが使用されており、複数の畳み込みおよび変換層で構成されています。

  • HardNetブロック: GPU メモリ帯域幅の利用を最適化し、重みの数を減らすことで収束速度を高めます。
  • レセプティブフィールドブロック(RFB): 小さなデータセットでのネットワークの一般化性能と精度を向上させます。

訓練の詳細

  • データ拡張: Python ライブラリ Albumentations を使用し、様々な形態変換によりデータの多様性を高めます。
  • 最適化アルゴリズム: Adam 最適化アルゴリズムを用いて逆伝播を行い、学習率を徐々に減少させてネットワークの収束性能を高めます。

性能評価

分割の性能は以下の指標で評価されます。 1. ジャカード指数: ネットワークの分割結果とマニュアルラベルの類似度を評価するために使用されます。 2. ハウスドルフ距離: 分割結果の境界位置の精度を評価するために使用されます。 3. アクティベーション関数(AF): 神経線維の刺激活性化をモデル化するために使用されます。

主な研究結果

  1. 分割精度: 改良されたHardNetネットワークは優れた分割性能を示し、ジャカード指数は0.840、ハウスドルフ距離は179μmに達し、ResNetやVGGなどの他の一般的なネットワークアーキテクチャを上回りました。
  2. 転移学習の効果: 転移学習により、新しいデータセットに対するネットワークの一般化能力が大幅に向上しました。特に、腰仙椎から頸椎へと解剖学的領域が変わった場合でも効果的でした。
  3. 自動化された修正プログラム: 自動化された修正プログラムにより、分割の連続性と一貫性がさらに改善され、モデルの解剖学的正確性が確保されました。

研究の意義

本研究で開発されたCNNベースの自動脊髄画像分割パイプラインでは、分割効率と精度が大幅に向上し、人的介入の必要性が減少しました。また、伝統的な手動分割と比較して一貫性が高く、個別化された脊髄刺激治療計画の策定を促進しました。さらに、このようなパイプラインは他の医用画像分割アプリケーションにも幅広く応用できる可能性があります。

今後の研究方向

  • 訓練データの多様性と量を増やすことで、ネットワークの一般化能力を向上させる。
  • ヒトの死体の脊髄MRIデータでさらに検証を行い、臨床での実行可能性を確認する。
  • データ拡張やGANなどの高度な手法を探索し、より高品質の訓練データを合成する。

結論

本論文では、CNNに基づく自動脊髄MRI画像分割パイプラインが提案されました。様々な画像前処理とデータ拡張手法により分割精度が向上しました。転移学習と自動化された修正プログラムにより、モデルの実用性がさらに高まり、個別化された脊髄刺激治療の臨床応用への道が開かれました。今後の研究では、より多くのデータと高度な手法を用いることで、一般化能力と実用性をさらに高めることができるでしょう。