血管に対するスパース表現学習

要旨: ヒトの血管系および血管のような管状構造（気道など）を解析することは、疾患の診断と治療にとって重要である。現在の手法はしばしば小さな部分領域や単純化された樹木状構造に依存しており、臨床解像度で臓器レベルのネットワーク全体を解析することは計算上の課題となっている。そこで本研究では、臓器レベルの血管ネットワーク全体をサブミリメートル解像度で意味のある、かつコンパクトな表現として得るための効率的なエンコーダ・デコーダモデルであるVAEsselSparseを提案する。VAEsselSparseは、3次元の血管構造が持つ固有の疎性を、疎畳み込みと注意機構を通じて活用し、空間圧縮率 8 x 8 x 8 を達成する。密な（dense）対応物や従来手法と比較して、再構成性能が優れていることを示す。重要な点として、得られた潜在空間は、動脈瘤／狭窄、あるいはウィリス動脈輪の亜型などの分類タスクにそのまま利用できる、臨床的に関連する弁別的特徴を保持している。さらに、VAEsselSparseのコンパクトな潜在空間は、生成モデルによって血管固有の事前分布を学習するための効果的な表現として機能し、現実的な血管の合成を可能にする。