AG-TAL：大規模マルチセンターデータセットによるウィリス動脈輪（Circle of Willis）の多クラス血管セグメンテーションのための解剖学的ガイド付きトポロジー対応損失

Abstract

ウィリス動脈輪（Circle of Willis: CoW）の正確な多クラス分割は神経血管疾患の管理に不可欠である一方、複雑な血管トポロジーと形態のばらつきにより依然として困難です。既存の深層学習手法では、しばしば血管の不連続やクラス間の誤分類が生じます。また、現在のトポロジー損失関数は3Dの多クラス設定では計算コストが過大になりがちです。これらの制約に対処するため、本研究では解剖学的ガイド付きトポロジー対応損失（Anatomically-Guided Topology-Aware Loss: AG-TAL）を提案し、頑健なモデル学習を促すために統一されたアノテーションを備えた大規模・多施設のCoWデータセットを導入します。AG-TALは、特に小血管におけるクラス不均衡を解決するために半径を考慮したDice損失を組み込みます。さらに、局所的な連結性を効率よく保持するためにグループ畳み込みを利用した、破断（breakage）に頑健なclDice損失を導入します。加えて、隣接する動脈間の境界を明確にするために解剖学的事前知識を活用する、隣接関係に配慮した共起損失（adjacency-aware co-occurrence loss）を用います。5-fold交差検証で評価したところ、AG-TALは全てのCoW動脈に対して平均Diceスコア80.85%を達成し、小血管では特に先端手法と比べて1.05〜3.09%高いことが示されました。6つの独立したデータセットにわたって、AG-TALの性能は全てのCoW動脈で74.46%〜81.17%のDiceスコアの範囲に収まりました。小血管においては、他手法と比べて2.20%〜9.98%の改善が得られました。本研究は、AG-TALが多クラスのCoW動脈を同定するうえで優れていること、また複数の独立データセットに対して良好に一般化できる能力を有することを示しています。さらに、信頼性解析とアルツハイマー病コホートにおける臨床応用により、AG-TALの頑健性と、画像に基づく形態学的バイオマーカーの発見につながる可能性が裏付けられています。