nnU-Netを用いたMRIにおける前立腺の自動セグメンテーション

arXiv cs.CV / 2026/4/3

📰 ニュースTools & Practical UsageModels & Research

共有:

要点

本研究では、汎用のセグメンテーションツールに依存するのではなく、nnU-Net v2フレームワークを用いた多パラメータMRIに対する前立腺の自動セグメンテーション専用の深層学習手法を提案する。
T2強調画像、DWI、ADCマップというマルチモーダル入力を活用し、981件のPI-CAI症例で学習することで、交差検証における高い平均Diceスコアを実現し、良好なインドメイン性能を示す。
Hospital La Feの54名を対象とした外部検証でも、ドメインシフト下で一般化性能は維持されているが、外部テストセットでのDiceは低下する（0.82）。これは現実のばらつきを反映している。
競合手法との直接比較では、TotalSegmentatorはDice 0.15と大幅に劣り、主に過小セグメンテーションによるものである。これにより、前立腺特化型のタスク設計の価値が強調される。
再現性と導入の容易さのため、本モデルは完全にコンテナ化され、臨床研究ワークフローでそのまま利用できる推論ツールとして提供される。

Abstract

前立腺のマルチパラメトリックMRI（mpMRI）における正確なセグメンテーションは、画像レジストレーション、容積推定、放射線画像解析（radiomic analysis）など、幅広い臨床および研究用途にとって基本的なステップである。しかしながら、手動の輪郭抽出は時間を要し、観察者間のばらつきにも左右される。一方で、一般用途のセグメンテーションツールでは、前立腺特有のタスクに十分な精度を提供できないことが多い。本研究では、nnU-Net v2フレームワークに基づく専用の深層学習アプローチを提案し、自動で前立腺腺（prostate gland）をセグメントする方法を示す。提案モデルは、T2強調画像、拡散強調画像（DWI）、見かけの拡散係数（ADC）マップを含むマルチモーダルmpMRIデータを活用し、補完的な組織情報を引き出す。学習はPI-CAIデータセットの981症例について、全腺（whole-gland）の注釈を用いて実施し、モデル性能は5-foldの交差検証と、Hospital La Feの54名からなる独立コホートによる外部検証で評価した。提案モデルは、交差検証で平均Diceスコア0.96 +/- 0.00、外部テストセットで0.82を達成し、ドメインシフトがあっても強い汎化性能を示した。比較として、一般用途のアプローチ（TotalSegmentator）はDiceスコア0.15と大幅に低い性能であり、主に前立腺腺の過小セグメンテーションによるものであった。これらの結果は、タスク固有かつマルチモーダルなセグメンテーション戦略の重要性を示すとともに、提案手法が臨床研究ワークフローへの信頼性ある統合に向けた可能性を有することを示唆する。再現性とデプロイメントを容易にするため、モデルは完全にコンテナ化されており、すぐに使える推論ツールとして提供される。