頭頸部がんにおける適応型MRガイド放射線治療のためのディープラーニングベースの標的体積自動輪郭抽出の改善：体積認識Dice損失の影響

要旨: 背景: 頭頸部がん（HNC）における標的体積の手動描出は、放射線治療計画における重要なボトルネックであり、観察者間のばらつきが大きく、作業時間もかかることが特徴である。本研究では、適応型MRガイド放射線治療のために原発腫瘍（PT）および転移リンパ節（LN）の自動セグメンテーションを強化する目的で、Volume-Aware（VA）Dice損失関数を自己設定型の深層学習フレームワークへ統合することを評価する。体積に敏感な重み付けが、小さく解剖学的に複雑なリンパ節転移の検出に対して、従来の損失関数と比べてどのような影響を与えるかを検討する。 方法: HNTS-MRG 2024データセットを用い、nnU-Net ResEnc Mアーキテクチャを実装した。多ラベルセグメンテーション課題を行い、標準Dice損失のベースラインと、2つのVolume-Aware構成を比較した。すなわち「Dual Mask」設定（PTとLNの両方にVA損失を適用）と、「Selective LN Mask」設定（LNのみにVA損失を適用）である。評価指標には、体積Diceスコア、表面ベースの指標（SDS、MSD、HD95）、および病変単位の二値検出における感度と精度を含めた。 結果: Selective LN Mask構成は、LNの体積Diceスコアで最も高い値を達成した（0.758 vs. ベースライン0.734）ほか、LNの病変単位検出感度が有意に改善した（84.93% vs. 81.80%）。しかし重要なトレードオフも観察された。すなわち選択的設定では、PT検出の精度が有意に低下した（63.65% vs. 81.27%）。Dual Mask構成は両標的に対して最もバランスの取れた性能を提供し、大きな一次腫瘍体積に対するセグメンテーション精度を維持しつつ、LN感度を83.46%へ改善した（PT精度は82.04%のまま維持）。 結論: 体積に敏感な損失関数は、HNCにおける小さな転移病変の表現不足を緩和した。選択的重み付けはリンパ節検出において最良の結果を示したが、多ラベル課題では、より大きな原発腫瘍体積に対するセグメンテーション精度を維持するためにデュアルマスク手法が必要である。