注意引导のCNNフレームワークを用いた3D MRIスキャンの膠芽腫の分割と評価研究

膠芽腫は人間にとって最も致命的な脳腫瘍の形式であり、これらの腫瘍の早期診断は効果的な腫瘍治療の重要なステップです。磁気共鳴画像法（MRI）は通常、脳病変の非侵襲的検査を提供します。しかし、MRIスキャンにおける腫瘍の手動検査は多くの時間を要し、エラーが発生しやすいです。そのため、自動診断は膠芽腫の臨床管理および外科的介入において極めて重要な役割を果たしています。本研究では、3D MRIスキャンから非侵襲的に腫瘍を分類するための畳み込み神経ネットワーク（CNN）に基づくフレームワークを提案します。

背景紹介

膠芽腫は一般的かつ致命的な脳腫瘍であり、その侵襲性および悪性度に応じて4段階に分類されます。低グレード腫瘍（I-III級）は通常あまり侵襲的でなく、治療に対する反応が良好です。しかし、ハイグレード腫瘍（IV級）は高度に侵襲的であり、膠芽腫のように治療効果が悪く、生存率が5%に過ぎません。

膠芽腫研究においては、研究者は通常、特にMRIのような医用画像に依存します。MRI画像は脳組織の高い空間および時間分解能を提供し、脳腫瘍の解析に利用されています。同時に、膠芽腫の分類には遺伝的特徴も関与しており、例えばイソクエン酸デヒドロゲナーゼ（IDH）変異や1p/19q染色体腕の状態が挙げられます。これらの分子マーカーは治療反応に影響を与える重要な役割を果たしています。

研究機関と発表情報

本研究はPrasun Chandra TripathiおよびSoumen Bagによって行われ、彼らはインドDhanbadのIndian Institute of Technology (ISM)に所属しています。この論文は2022年11月9日にIEEE/ACM Transactions on Computational Biology and Bioinformaticsに発表されました。

研究方法

研究方法は主に二つのステップに分かれています：膠芽腫の分割と分類です。分割ネットワークはエンコーダーデコーダー構造を採用し、分類ネットワークはマルチタスク学習戦略を用います。

分割ネットワーク

分割ネットワークの構造は下記の通りです：

• 入力データ：MRI画像にはT1、T1c、T2およびFLAIRの四つのモードが含まれます。
• エンコーダー部分：三つのダウンサンプリングレイヤー、各レイヤーは入力データのサイズを二倍縮小し、いくつかの残差ブロックを含みます。
• トランジション部分：残差ブロック、エンコーディング特徴から深い特徴を抽出するために使用されます。
• デコーダー部分：三つのアップサンプリングレイヤー、元のサイズを回復しつつ低レベルの画像特徴を保持するためにロングスキップ接続を含みます。

分割ネットワークはさらに空間およびチャネル注意メカニズムを導入し、特徴マップを細かく調整します。注意メカニズムは重要な情報を選択する一方で無関係な内容を無視することを可能にし、これはCNNにおいてチャネル注意および空間注意の二つの方法で実現されます。

マルチタスク分類ネットワーク

分類ネットワークの構造は下記の通りです：

• 入力データ：分割された3D腫瘍領域。
• 共有バックボーンネット：複数の畳み込み層および残差ブロック、特徴抽出に使用。
• タスク特定レイヤー：三つの全結合層、低グレード/ハイグレード分類、1p/19q染色体状態予測およびIDH変異状態予測をそれぞれ担当。

マルチタスク学習は異なるタスク間の情報共有を利用し、分類精度を向上させます。

実験結果

実験に使用したデータセットにはBraTS 2019およびCancer Imaging ArchiveのマルチモーダルMRIデータが含まれ、617名の患者のMRI画像を使用します。これらの画像を使ってモデルをトレーニングおよび検証し、モデルの性能を評価しました。

分割結果

分割性能はDice類似係数（DSC）、Hausdorff距離、感度および特異度などの指標で評価されます。実験結果は、空間およびチャネル注意メカニズムが分割タスクの性能を著しく向上させることを示しています。

例としては： - 増強された腫瘍領域のDSC：0.7612から0.7712に向上 - 全腫瘍領域のDSC：0.8721から0.9002に向上 - コア腫瘍領域のDSC：0.8090から0.8230に向上

分類結果

分類性能は分類精度、正確度、特異度、感度およびF1スコアなどの指標で評価されます。マルチタスク分類ネットワークは全てのタスクで優れたパフォーマンスを示し、特に空間およびチャネル注意メカニズムを使用した後、分類精度が顕著に向上しました。

例としては： - 低/ハイグレード分類精度：91.00%から95.86%に向上 - IDH状態分類精度：87.94%から91.96%に向上 - 1p/19q状態分類精度：81.20%から87.88%に向上

研究結論と意義

注意メカニズムを導入することにより、我々の提案するCNNフレームワークは膠芽腫の分割および分類タスクにおいて顕著な優位性を示しました。特にマルチタスク学習戦略は、多タスク分類問題の処理においてモデルの堅牢性と有効性を高めました。本研究は、膠芽腫の非侵襲的診断および評価の新しい方法を提供し、科学的価値と臨床応用の可能性を持っています。

今後はCNNとTransformerアーキテクチャを組み合わせたモデルの開発を試み、複数の分類および分割タスクの性能をさらに向上させ、膠芽腫の診断および治療に対してより効果的なツールを提供することを目指します。