NeoNet：生成駆動型の分類による、非侵襲的な神経周囲浸潤の予測のための3D MRIベースのエンドツーエンド深層学習フレームワーク

arXiv cs.CV / 2026/4/1

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本記事では、あらかじめ定義された画像特徴に依存せずに、3D MRIを用いて胆管癌における神経周囲浸潤（PNI）を非侵襲的に予測するための、エンドツーエンドの3D深層学習フレームワーク「NeoNet」を紹介する。
NeoNetは3つのモジュールを組み合わせる：ROIベースで腫瘍を局在化するNeoSeg、3D潜在拡散モデルにControlNetと解剖学的マスク条件付けを用いて、バランスの取れた合成トレーニングパッチを生成するNeoGen、そして最終分類を行うNeoClsである。
分類に際して、本研究ではPNIに関連する微細な強度パターンと空間パターンを捉えるために、凍結した拡散モデルのエンコーダと、専用の3Dデュアル注意機構ブロックを活用するPNI-Attention Network（PattenNet）を提案する。
5-fold交差検証において、NeoNetはベースラインの3Dモデルを上回り、最高AUCは0.7903と報告されており、生成駆動型かつ特徴非依存のパイプラインによって予測性能が向上したことを示唆している。

要旨: 医療画像において、患者の負傷や感染のリスクを低減するために侵襲的な診断手技を最小化することは、中心的な目標である。とはいえ、周囲の神経に沿った腫瘍細胞の浸潤を伴う重要な予後因子である、神経周囲浸潤（PNI）の非侵襲的診断は、PNIを同定するための明確かつ一貫した画像基準が欠如しているため、依然として困難である。
この課題に対処するために、我々は、あらかじめ定義された画像特徴に依存しない胆管癌におけるPNI予測のための、統合的なエンドツーエンド3DディープラーニングフレームワークであるNeoNetを提案する。NeoNetは3つのモジュールを統合する： (1) NeoSeg。Tumor-Localized ROI Crop（TLCR）アルゴリズムを用いる； (2) NeoGen。解剖学的マスクを条件として合成画像パッチを生成する3D潜在拡散モデル（LDM）であるとともにControlNetを備え、特にデータセットを1:1の比率にバランスさせる； (3) NeoCls。最終予測モジュール。
NeoClsについては、凍結したLDMエンコーダと、PNIを示唆する微細な強度変化および空間パターンを検出するよう設計された専用の3Dデュアルアテンションブロック（DAB）を用いる、PNI-Attention Network（PattenNet）を開発した。5-fold交差検証において、NeoNetはベースラインの3Dモデルを上回り、最大AUC 0.7903で最高性能を達成した。