医用画像解析における血管分節は、血管疾患の治療や手術計画において極めて重要なタスクであるが、専門家による血管のアノテーションを取得する難しさが深層学習技術の進歩を妨げる大きな障壁となっている。この課題に対処するため、カナダ・コンコルディア大学の研究チームはVesselSimというフレームワークを提案した。VesselSimは、訓練中に実際のアノテーションデータを一切必要としない、ユニバーサルな3D血管分節のための2段階フレームワークである。
第1段階では、確率的でジオメトリ駆動の血管シミュレーションフレームワークを導入する。このフレームワークは、血管の再帰的分岐、曲率を考慮した成長、および衝突を回避するトポロジーを数学的にモデル化する。シミュレーションでは、分岐角度、管径の変化、血管同士の重なりを防ぐ衝突検出機構など、生理学的特性が考慮される。その後、ドメインランダム化強度合成技術を用いて、実際の医療画像のグレースケール特性を模倣した輝度パターンを合成血管に付与する。これにより、16,500もの解剖学的に妥当な3D血管造影ボリュームのデータセットが生成される。このデータセットの規模と多様性は、後のモデルのロバストな訓練の基盤となる。
第2段階では、この合成データのみを使用して3D U-Netを訓練する。3D U-Netはエンコーダ-デコーダアーキテクチャを採用し、3次元の血管形状を効果的に抽出し、正確な分節マスクを生成する。初期訓練は純粋に合成データで行われ、モデルは血管の基本的な形態パターンを学習する。しかし、合成データと実際の臨床画像の間にはドメインギャップが存在し、これにより実際の応用での性能低下が懸念される。
このドメインギャップを埋めるため、VesselSimは推論時にテスト時適応戦略を導入する。具体的には、セルフ教師ありマスク再構成デコーダを介して、未知の臨床スキャンに事前のドメイン知識なしで適応できるようにする。テスト時には、モデルはまず入力画像に対して初期分節を実行し、次にランダムにマスクされた画像領域を再構成するデコーダを使用して、自己教師あり損失を通じてモデルパラメータを調整し、対象ドメインの画像特徴に適応する。このアプローチは、合成データの実際の医用画像への汎化における重要な課題を解決し、未知のスキャンへのゼロショット適応を可能にする。
研究チームは、脳と腎臓を含む複数の解剖学的領域にわたる実世界のMRIおよびCTデータセットでVesselSimをゼロショット設定で評価した。脳データセットには頭蓋内血管MRIとCT血管造影が含まれ、腎臓データセットは腎動脈および微小血管構造を対象とした。実験結果は、訓練データが完全に合成血管のみであるにもかかわらず、VesselSimの分節性能がnnU-NetやSwin UNETRなどの最先端の血管分節基礎モデルと競合することを示した。Dice類似係数やHausdorff距離などの複数の指標で競争力を示し、特に細い血管や複雑な分岐ネットワークに対してロバストであることが確認された。
これらの知見は、合成管状構造から血管形状を学習することがロバストなクロスドメイン汎化に効果的であり、取得した医用画像データ、特に専門家アノテーションへの依存を大幅に削減できることを示唆している。本研究は、医療画像解析におけるデータ不足問題に対する実用的な解決策を提供し、特に高品質なアノテーションデータが不足している希少血管疾患の研究や低リソース医療環境に適している。また、VesselSimのモジュール設計は、気道やリンパ管などの他の管状構造分節タスクへの拡張が容易であり、幅広い応用が期待される。本論文はMICCAI 2026に採択され、同会議で正式に発表される予定である。