全身PET/CTイメージングにおける腫瘍セグメンテーションは、正確な疾患評価と治療計画に不可欠です。しかし、病変のサイズ、コントラスト、解剖学的分布の変動性により、依然として困難な課題です。手動セグメンテーションに依存すると、時間がかかり、観察者内および観察者間の変動が生じやすく、臨床での信頼性と再現性が制限されます。これらの課題に対処するため、AutoPET IIIチャレンジは、トレーサーやマルチセンターのデータ全体で汎化するモデルを構築し、自動腫瘍セグメンテーション技術を推進することを目的としています。
本研究はHussain Alasmawiらによって行われ、nnU-NetフレームワークをベースにResNetエンコーダを組み合わせたベースラインを使用し、さまざまなトレーニング戦略の影響を体系的に調査しました。研究チームは、強度正規化、バッチダイス最適化、CraveMixデータ拡張に焦点を当てました。強度正規化は、異なるスキャナーやプロトコル間の画像差異を低減します。バッチダイス最適化は、トレーニング中にダイス係数を直接最適化することで、セグメンテーション性能を向上させます。CraveMixは、新たな病変サンプルを合成することでモデルの病変多様性への適応力を高める、特別に設計された混合拡張手法です。実験結果は、これらの戦略がモデルの性能に大きな影響を与え、特に偽陽性の低減と病変変動性に対するロバスト性の向上に寄与することを示しました。研究チームは異なる組み合わせを比較実験し、これらの戦略を総合的に使用することでセグメンテーション精度が効果的に向上することを発見しました。
AutoPET IIIの予備テストフェーズにおいて、最適構成のモデルは最大0.80のDiceスコアを達成し、参加チーム中3位にランクされました。Diceスコアは医学画像セグメンテーションで一般的に使用される評価指標であり、予測セグメンテーションと正解セグメンテーションの重なりを測定します。0.80のスコアは、特にPET/CT画像における病変の多様性を考慮すると、全身腫瘍セグメンテーションタスクにおいて高い精度を示しています。さらに、研究チームはコードを公開しており、医学画像セグメンテーション分野に再現可能なベースライン手法と貴重なリソースを提供しています。
この研究の成功は、深層学習が医用画像解析において大きな可能性を持つことを示しています。体系的なトレーニング戦略の研究により、セグメンテーション性能が向上しただけでなく、将来のよりロバストな腫瘍セグメンテーションモデル開発の指針を提供しています。将来的には、これらの戦略が臨床ワークフローに統合され、放射線科医や腫瘍医がより正確な病変識別と測定を行えるよう支援し、がん患者の診断と治療効果を改善することが期待されます。また、この研究は脳腫瘍セグメンテーションや肺結節検出などの他の医学画像セグメンテーションタスクにも参考となります。公開コードが広く利用されることで、さらなる研究者による関連技術の探求と最適化が促進されるでしょう。