乳ガンイメージングを改善するディープラーニング

March, 25, 2022, Hanover--ダートマス大学(Dartmouth college)の研究者は､乳ガン検出改善に貢献する新しい画像再建アプローチを開発した｡ディープラーニング(DL)アルゴリズムが､画像のリアルタイムリカバリを可能にすることでマルチモーダルイメージングにおける主な障害を克服する｡

Optica発表論文で研究チームは､Z-Netとして知られる新しいアルゴリズム､また､それがイメージングプラットフォームとどのように機能するかを説明している｡これは､光スペクトル情報とコントラストフリーMRIを統合し､乳ガン検出を改善する｡

｢われわれが開発した近赤外スペクトルトモグラフィ(NIRST)とMRIイメージングプラットフォームは有望であるが､画像再構成にかかる時間と労力のために､それが日々の臨床ワークフローになっていない｣と同大学研究チームリーダー､Keith Paulsenは､説明している｡｢したがって､われわれはディープラーニングアルゴリズムを設計した｡これは､MRIからの解剖学的画像データを組み込んで､NIRST画像情報を誘導する｡組織における複雑な光伝搬モデリングは不要である｣｡

Paulsenと北京工業大学､バーミンガム大学の研究者は､その新しいアルゴリズムが､患者の乳房検査からのMRIガイドNIRSTイメージングデータを利用して悪性腫瘍と良性腫瘍を区別できると報告している｡

｢Z-NetによりNIRSTは､乳ガンスクリーニングと診断のための非接触MRIの効率的､効果的拡張機能(アドオン)になる｡それにより､MRIガイドNIRST画像が､ほぼリアルタイムで再生できるからである｡また､それは､マルチモーダルデータが利用できる他のガンや病気にも直ちに適用可能である｣とPaulasenは話している｡

ディープラーニングの適用
今日､ダイナミック造影剤増強法(DCE)は､最も高感度な乳ガン検出法と認められている｡しかし､DCE MRIは､造影剤の静脈注射を必要とし､疑陽性率が高い｡非接触MRIガイドNIRSTは､造影剤注入不要､電離放射線不要の代替法となる｡統合画像の再構成は､複雑な光伝搬モデル､時間のかかるMRI画像分析を必要とする｡

研究チームは､画像再構成プロセスを高速化するためにディプラーニング(DL)を利用した｡DLは､人の脳の動作の仕方と同じように情報ピースを関連付けるマシンラーニングアプローチであり､研究チームは､そのアルゴリズムを訓練して､パタンや複雑な関係を認識できるようにする｡

｢Z-Netアルゴリズムは､新しい画像を生成するのに必要な時間を数秒に短縮する｡さらに､われわれが開発したマシンラーニングネットワークは､コンピュータシミュレーションで生成されたデータでトレーニングできる｡収集し処理してトレーニングデータにするのに時間がかかる実際の患者からの画像は必要としない｣と論文の筆頭著者､Jinchao Fengは説明している｡

臨床試験
そのアルゴリズムをトレーニングした後､研究チームは､シミュレートしたデータを使って再構成された画像の品質が拡散光伝搬モデリング､あるいはMRI画像を分割をしないことによる劣化がないことを確認した｡

チームは､将来を見込して新しいアルゴリズムを､2度の乳房イメージング実験で収集したMRIガイドNIRSTデータに適用した｡1つは､生検で確認されたガン診断､もう一方は良性の異常｡新しいアルゴリズムは､悪性と良性の例の差を示すことができる画像を生成した｡

｢われわれのアプローチの可能性を示すだけでなく､その成果は､生体内データが不十分か､DLアルゴリズムトレーニングを利用できないとき､大量のシミュレーションデータが有効になることも証明している｣とShudong Jiangは話している｡同氏は､論文の共著者､シミュレーションMRIと光ブレストイメージング技術開発の先駆者である｡

研究チームは､新しい画像再構成法を適用して､3Dデータと連携させることに取り組んでいる､またそれを近い将来､大規模な臨床試験でテストする計画である｡

論文
“Deep Learning Based Image Reconstruction for MRI Guided Near Infrared Spectral Tomography,” Optica, 9 (2) (2022).
DOI: https://doi.org/10.1364/OPTICA.446576