機械学習

Rapporti scientifici Volume 12,

Scientific Reports volume 12、記事番号: 14740 (2022) この記事を引用

1388 アクセス

17 オルトメトリック

メトリクスの詳細

皮質萎縮は、磁気共鳴画像法 (MRI) に基づいて確立された視覚評価スケールに従って臨床的に測定されます。脳の MRI は神経変性の主な画像マーカーですが、コンピューター断層撮影 (CT) も認知症の早期発見と診断に広く使用されています。しかし、それらが調査されることはほとんどありません。そこで、脳 CT 上の皮質萎縮を自動推定するための機械学習アルゴリズムを開発しました。脳の CT 画像 (アルツハイマー型認知症の被験者 259 名と認知機能が正常な被験者 55 名) を 3 人の神経内科医が視覚的に評価し、トレーニングに使用しました。畳み込みニューラルネットワークと正則化ロジスティック回帰 (RLR) を組み合わせてアルゴリズムを構築しました。次に、モデルのパフォーマンスが神経科医のパフォーマンスと比較され、特徴の重要性が測定されました。 RLR は、前頭部萎縮 (精度 75.2%、感度 93.6%、特異度 67.2%、曲線下面積 [AUC] 0.87)、後部萎縮 (精度 79.6%、感度 87.2%、特異度 75.9%、および0.88 AUC）、右内側側頭萎縮（精度 81.2%、感度 84.7%、特異度 79.6%、および 0.88 AUC）、左内側側頭萎縮（精度 77.7%、感度 91.1%、特異度 72.3%、および 0.90 AUC）。私たちは、RLR に基づく脳 CT の自動推定により、実際の臨床現場で医師をサポートできる可能性のある萎縮の包括的な評価が提供されると結論付けました。

脳構造イメージングは認知症の診断ガイドラインで推奨されており 1,2、正常な高齢者やアルツハイマー病 (AD) 患者の認知機能障害に関連していることが知られています 3,4。外科的病変を除外することに加えて、AD5 の内側側頭葉を含む、根底にある病理を示唆する脳萎縮の評価は、脳構造イメージングを使用することで可能になります。構造画像に基づいたいくつかの視覚的評価スケールが脳萎縮を評価するために報告されており、その一部は研究や臨床現場で広く使用されています5、6。定量的な体積測定と比較して、視覚的評価スケールには、時間のかかるプロセスを必要とせずに臨床的に取得した画像を直接適用できるという利点があります7。ただし、評価者間または評価者内の合意には信頼性の問題があり 8,9、視覚評価スケールのほとんどは脳磁気共鳴画像法 (MRI) に基づいて作成されています 7。 AD10 に関する最近の研究枠組みによれば、脳 MRI は神経変性の主要な画像マーカーですが、脳コンピュータ断層撮影 (CT) も認知症患者において重要な情報をもたらす可能性があります 11。さらに重要なことは、2008 年以降、韓国の国家認知症計画の一環として、脳 CT が認知症の早期スクリーニングにますます使用されるようになってきているということです12。そのため、これまでめったに行われることのなかった脳 CT 視覚評価の信頼できる実用的な方法の必要性が高まっています。調べた。

コンピュータ化された自動脳 CT のグレーディングには、信頼性と効率を最大化する潜在的な利点があり、その結果、認知機能低下のスクリーニングシステムの対象範囲が広がります。視覚的評価のアルゴリズムは、自動採点の臨床的有用性を高めるために必要です。これは、微妙な影響を検出する統計力を可能にすることにより、神経変性を発見し分析するために、構造画像ベースの視覚評価スケールに基づく「人工知能 (AI) ベースのコンピューター支援 (CAD)」アプローチが必要であることを示唆しています。

AI はコンピューターサイエンスの包括的な分野であり、コンピューターと機械を使用して特定のタスクを実行し、人間の心の問題解決能力と意思決定能力を模倣し、それによってインテリジェントシステムを作成します。機械学習、表現学習、深層学習は AI のサブフィールドです。リスク評価、診断、予後、予測のための神経画像処理において、機械学習と深層学習に基づく臨床応用が提案される例が増えています13。したがって、専門家によって指定された明示的な特徴を採用し、神経画像診断による認知症リスクの特定に潜在的な利点が示されている機械学習 14 は、臨床評価をサポートする脳 CT の自動等級付けに使用できる可能性があります。

そのため、この研究は、脳 CT を使用して皮質萎縮を自動的に等級付けするための機械学習アルゴリズムを開発し、それらを神経内科医の視覚的評価と比較することを目的としました。

我々は、AD患者259名と認知正常（CN）被験者55名を募集し、脳MRIとCTを受けた。アルツハイマー病は、アルツハイマー病協会国立老化研究所 (NIA-AA) の推定 AD1 に関する研究基準に基づいて診断されました。正常な認知を有する被験者は、神経障害または精神障害の病歴のない被験者と定義され、正常な認知機能は神経心理学的検査を使用して判定されました。

すべての被験者は、臨床面接、神経学的検査、神経心理学的検査、および全血球計算、血液化学、ビタミンB12/葉酸、梅毒血清学、および甲状腺機能検査を含む臨床検査によって評価されました。脳MRIにより、領域性脳梗塞、脳腫瘍、海馬硬化症、血管奇形などの構造的病変がないことが確認されました。人口統計データを表 1 に示します。この研究には、正常認知 (NC) の参加者 55 名と AD の参加者 256 名が含まれていました。 NC の参加者の平均年齢 (標準偏差) は 53.1 (20.2) 歳でしたが、AD の参加者の平均年齢 (標準偏差) は 69.0 (10.4) 歳でした。女性は、NC 患者では 28 名 (50.9%)、AD 患者では 146 名 (56.4%) でした。

この研究プロトコールは、Samsung Medical Center の治験審査委員会によって承認されました (承認番号 2017-07-039)。各被験者から書面によるインフォームドコンセントを取得し、承認されたガイドラインに従ってすべての手順を実行しました。

私たちは、同じ 3.0 T MRI スキャナー (Philips Achieva、Philips Healthcare、アンドーバー、マサチューセッツ州、米国) を次のパラメーターで使用して、サムスン医療センターのすべての被験者から標準化された 3 次元の T1 ターボフィールドエコー画像を取得しました: 矢状スライス厚さ 1.0 mm、50% オーバーラップの連続スライス上、ギャップなし、9.9 ms の繰り返し時間 (TR)、4.6 ms のエコー時間 (TE)、8° のフリップ角、240 × 240 ピクセルのマトリックスサイズ、480 × に再構築240mmの視野で480度。したがって、MR 画像の実際のスキャナ解像度は等方性 1.0 mm ボクセルサイズであり、再構成された T1 MR 画像のボクセルサイズは、隣接するスライス間で重なることにより等方性 0.5 mm ボクセルサイズになります。

私たちは、Discovery STe PET/CT スキャナー (GE Medical Systems、米国ウィスコンシン州ミルウォーキー) を使用して、サムスン医療センターの全被験者から CT 画像を取得しました。このモードでは、全身にわたる 3.3 mm 厚の 47 枚のスライスを検査します。脳15、16。減衰補正のために 16 スライスヘリカル CT (140 keV、80 mA、断面幅 3.75 mm) を使用して CT 画像も取得しました。 PET-CTスキャナーで取得したCT画像のボクセルサイズは0.5mm×0.5mm×3.27mmです。 SNR 値は、ファントム検査 (スライス厚 3.75 mm、120 kVp、190 mA) によってチェックされ、GE Discovery STe PET-CT スキャナーによって実行されました。ファントム研究の SNR 結果は、それぞれ水層: 0.23 ± 0.04、アクリル層: 25.97 ± 1.34 でした。 SNR は、「SNR = CT 数 / SD (ノイズ)」として計算されました。

脳イメージングの 2 つの異なるモダリティは、セグメンテーションネットワークを使用する前に前処理を受けました。まず、Digital Imaging and Communications in Medicine (DICOM) データ形式の CT 画像を、dcm2niix (Chris Rorden の dcm2niiX バージョン v1.0.20171017 [OpenJPEG build] GCC4.4.7 [64-ビット Linux])。次に、FSL ソフトウェア (https://fsl.fmrib.ox.ac.uk/fsl/fslwiki; FMRIB ソフトウェアライブラリ v6.0)17、18。画像の位置合わせは剛体アフィン変換を使用して実行されました。登録プロセスは、6 自由度およびスプライン補間法の両方のパラメータを使用して完全に自動化されます。

FSL ソフトウェアのもう 1 つのツールである Brain Extraction Tool (BET)19 も、脳 CT 画像で頭蓋骨を除去するための検証済みの手段でした 20。各画像を一般的な脳組織範囲に設定した後、0.01 に等しい分数強度 (FI) 値の BET を使用して、頭蓋骨を剥がした CT 画像を取得しました。明確な結果を保証するために、頭蓋骨を剥がしたすべての CT 画像を手動でチェックしました。その後、強度の正規化とヒストグラムの等化が各画像に適用されました。最後に、GPU のパフォーマンスを考慮して、CT スライスのサイズを 128 × 128 ピクセルに縮小しました。

CT 画像の前処理に続いて、深層学習ベースの CT 画像セグメンテーションモデルのトレーニングに T1 MR 画像が使用されました。事前に定義された解剖学的ラベルを取得するために、FreeSurfer ソフトウェア (https://surfer.nmr.mgh.harvard.edu) を使用して MR 画像を前処理しました 21,22。 CT 画像の低コントラストを考慮して、CT 画像の自動セグメンテーションは、脳脊髄液 (CSF)、白質 (WM)、および灰白質 (GM) の 3 つの区画に対してのみ実行されました。 MR スライスも、上記と同じ理由でピクセルの半分に縮小されました。

畳み込みニューラルネットワーク(CNN)を実装して脳CTのセグメンテーション画像を取得した。多様な最先端のネットワークの中から、さまざまな生物医学セグメンテーション研究で効果的であることがすでに証明されている 2D 形式の U-Net を選択しました23。前処理された 3D CT 画像は 2D アキシャルスライスにスライスされ、脳に見えないスライスは事前に除去されました。同様に、セグメント化された 3D MR 画像も同じ方法でスライスされました。次に、洗練された 2D CT 画像を入力として使用し、同時に応答ラベルとして MR を対応させる CNN セグメンテーションネットワークを構築することを試みました。図 1 は、U-Net フレームワークの概略図を示しています。セグメンテーション出力は、10 倍のトレーニング/テスト分割を介して 10 の異なるモデル重みを使用して U-Net アーキテクチャを通じて取得されました。トレーニングプロセス中に、初期学習率として 1e-6、バッチサイズとして 16 を使用して、適応モーメント推定 (Adam) オプティマイザーを使用して、結果として得られる各モデルを微調整しました。過学習を防ぐために早期停止法も適用しました。すべてのセグメンテーション結果の品質は手動でチェックされ、さらなる検証のために、次のように定義されるサイコロ類似係数 (DSC) が計算されました。

X は回答スライス領域を表し、Y は結果スライス領域を表します。

フレームワークのスキーム。テンソルはボックスとして示され、矢印は計算操作を示します。チャンネルの数は各ボックスの下に表示されます。このネットワークの入力と出力は、ラベルスライスペアを持つ CT スライスとセグメント化された CT 画像 (segCT) スライスです。 3 重交差検証によって行われた分類は、被験者を 3 つのサブグループにランダムに割り当てることによって実行されました。 BET 脳抽出、ReRU 修正線形ユニット活性化、segCT セグメント化 CT、RLR 正則化ロジスティック回帰、FA 前頭葉萎縮、PA 頭頂部萎縮、MTAR 内側側頭葉萎縮、右、MTAL 内側側頭葉萎縮、左、Pos 陽性、Neg 陰性。

被写体の重複、変換の失敗、位置合わせの不一致、および視覚的評価エラーによる不適切な画像は、各前処理段階の後に削除され、合計 314 件の被写体が分析対象として残されました。

脳のCTアキシャル画像を評価することにより、前頭葉、頭頂葉、内側側頭葉の皮質萎縮の視覚的評価を実施した。前頭葉萎縮（FA）は、簡易パスキエスケールまたは前頭葉全体の皮質萎縮（GCA-F）を使用して評価されました8。頭頂部萎縮（PA）は、後部萎縮スケールの軸方向テンプレートを使用して測定されました24。最後に、海馬と周囲の CSF25 を使用して内側側頭葉萎縮 (MTA) を評価したところ、Sheltens の冠状視覚評価スケールと良好な一致が示されました 5。 FA と PA は 4 点スケール (0 ～ 3) で評価されましたが、MTA は 5 点スケール (0 ～ 4) で評価されました。 FA と PA に非対称がある場合には、より重度の萎縮が測定されましたが、両側性の萎縮は MTA について個別に測定されました。視覚的評価は、人口統計および臨床情報を知らされていない 3 人の神経内科医 (Jae-Won Jang、Seongheon Kim、および Yeshin Kim) によって実行されました。それらの間に矛盾がある場合は、ケースを検討した後に合意が形成されました。全画像の20％からランダムに選択された脳CT画像による評価者間および評価者内の信頼性は、それぞれ0.81〜0.92および0.90〜0.94の値で優れているとみなされました（補足表1）。

GM、WM、および心室サイズの比率がセグメント化された CT 画像から抽出され、分類ステップの特徴として機能します。 CT から PA、FA、MTA を抽出することは困難であるため、AD の診断において最も典型的な萎縮である全皮質萎縮 (GCA) を使用することを試みました。 3D ボリュームと 2D スライスのそれぞれに特徴を抽出しましたが、これらはすべて特定のレベルで GCA に関連しています。抽出された特徴の詳細な説明を以下に示します。

体積比：GMR3D（GMの体積比）、WMR3D（WMの体積比）、GMWMR3D（全脳体積におけるGMとWMの和の体積比）、Ven3D（脳の総ボクセル数）全脳ボリュームにおける心室）。

比率の面積: GMR2D (GM の面積比)、WMR2D (WM の面積比)、GMWMR2D (特定の脳スライスにおける GM と WM の合計の面積比。心室の前の可視スライスを示します)脳を軸方向に上から下に見た場合）、Ven2D（特定の脳スライス内の心室の総ピクセル数。最も良く観察された心室が「蝶」の形で示されているスライスを示します）。

分類フレームワークの統合パイプラインを図 1 に示します。本格的な分類の前に、現在の萎縮評価スコアを複数の段階から 2 段階 (陽性と陰性) でカットしました。たとえば、FA と PA に関しては、視覚評価スケール (VRS) スコア 0 と 1 は陰性とみなされ、VRS スコア 2 と 3 は陽性とみなされます。同様に、MTA に関しては、VRS スコア 0 および 1 は陰性とみなされ、VRS スコア 2、3、および 4 は陽性とみなされます。

分類フェーズでは、データの状態と抽出された特徴の数を考慮して、高いバイアスを持つ最も単純な教師あり学習アルゴリズムの 1 つである正則化ロジスティック回帰 (RLR) を使用することを選択しました。ロジスティック回帰は、神経画像処理における AD 関連の分類作業でも広く認識されています 26。 RLR モデルは、抽出された特徴を使用してトレーニングされ、さまざまな脳の位置での萎縮診断に関する最終予測を行います。主要なハイパーパラメータ (ペナルティライゼーションの種類、正則化の強度、最適化ソルバーアルゴリズムなど) は、事前に設定された範囲内で 3 重交差検証のランダム検索法によって調整されました。このプロセスは、Python 機械学習パッケージである Scikit-learn ソフトウェアを使用して徹底的に処理されました27。その後、性能評価のために受信機動作特性曲線 (ROC 曲線) をプロットし、曲線下面積 (AUC スコア) を計算しました。次に、次のように定義されるヨーデン指数の最大値を使用して最適なカットオフポイントを選択しました。

この時点で、感度 (SENS)、特異度 (SPEC)、分類精度 (ACC) などのいくつかの指標も計算されました。

図 2 には、AD と NC の両方の参加者に関する U-Net からの CT セグメンテーションの結果が示されています。提示されたスライスは CSF および GCA と呼ばれ、AD 診断と密接に関連していました。 DSC は被験者ごとに計算され、その平均は 0.725 ± 0.0443 でした。結果は最高レベルではありませんでしたが、最終分類段階への大きな障壁にはなりませんでした。さらに、CT セグメンテーションは、脳を CSF、WM、および GM に大まかに分割するという、私たちが要求した方法であることが判明しました。

セグメンテーション結果のサンプル (A) アルツハイマー型認知症 (B) 正常対照。 GCA の全体的な皮質萎縮、CSF 脳脊髄液。緑 = 白質、青 = 灰白質、赤 = CSF。

表 2 と図 3 に示すように、提案された RLR モデルは、FA で 0.8735、PA で 0.8821、MTAR で 0.8757、MTAL で 0.8952 の AUC スコアを達成しました。各ケースの Youden 指数の最大値で、モデルは FA で 93.52%、PA で 87.25%、MTAR で 84.69%、MTAL で 89.52% の感度を示しました。特異性はFAで67.27%、PAで75.94%、MTARで79.63%、MTALで72.32%。精度は FA で 75.16%、PA で 79.62%、MTAR で 81.21%、および 77.71% でした。 4 つの地域すべての中で、MTAL は AUC 率の点で最高のパフォーマンスを示しましたが、PA は AUC 率が最低でした。感度に関しては、PA の SPE 率と AUC 率は最も低かったものの、SENS に関しては最高の率を達成しました。さらに、MTAR は SPEC と AUCC に関して最高の値を示しました。

萎縮の二項分類のための ROC 曲線。 FA 前頭葉萎縮、PA 頭頂葉萎縮、MTAR 内側側頭葉萎縮、右、MTAL 内側側頭葉萎縮、左。

さらに、分類モデルのトレーニングに利用された抽出された特徴が、各萎縮症例の意思決定プロセスにどのような影響を与えるかを調査しました。トレーニングされた RLR モデルでは、各特徴に一致する特徴係数の値を正規化し、3D 棒グラフとして視覚化しました (図 4)。 8 つの特徴の特徴係数の大きさ (GMR3D、WMR3D、GMWMR3D、Ven3D、GMR2D、WMR2D、GMWMR2D、Ven2D の順) は、FA で 0.148、0.182、0.181、0.0680、0.104、0.124、0.146、0.0477 でした。 PA では 0.0572、0.0658、0.0677、0.0982、0.240、0.165、0.247、0.0598。 MTAR では 0.120、0.0958、0.125、0.421、0.0604、0.0766、0.0266、0.0741。 MTAL では 0.0801、0.0928、0.0948、0.407、0.0861、0.0181、0.0480、0.173。その結果、係数平均値が大きいほど、最終的な意思決定に大きな影響を与えることが明らかになりました。

視覚的な評価スケールの機能の重要性。 FA前頭萎縮; PA頭頂部萎縮; MTAR内側側頭萎縮症、右。 MTAL内側側頭萎縮症、左。 Ven2D (心室の面積比); GMWMR2D (灰白質 [GM] と白質 [WM] の合計の面積比); WMR2D（WMの面積比）; GMR2D(GMの面積比); Ven3D (心室の容積比); GMWMR3D (GMとWMの合計の体積比); WMR3D（WMの体積比）; GMR3D（GMの体積比）。

FA 分類は、3D ボリュームと 2D スライスの両方からの全体的な GCA 特徴の影響を受けました。 PA の場合、特定の 2D スライスからの GCA 特徴が分類に大きく影響します。一方、MTA は、以前のケースのような GCA 特徴ではなく、3D ボリュームと 2D スライスの両方における心室変化に従って分類できます。

臨床医が脳 CT で重大な萎縮があるかどうかを判断できるようにするために、機械学習ベースの自動萎縮推定ツールが開発されました。この研究では、提案された RLR モデルは視覚的評価スケールとの良好な一致と高い信頼性を示しました。

2008 年に韓国の国家認知症計画が開始されて以来、認知症の鑑別診断のために全国で毎年約 30,000 件の脳 CT スキャンが行われており、この数は徐々に増加しています12。脳CTデータは豊富に蓄積されているにも関わらず、画像の解像度が低く評価者の信頼性が低いため、視覚評価のニーズは満たされていません。

自動化された CT ベースのセグメンテーションと総頭蓋内容積の定量化は以前に報告されています 28 が、脳 MRI による自動化された容積分析にも同様の欠点があります。言い換えれば、脳 MRI 視覚評価には、個々の被験者の臨床実践に直接適用できない専門知識が必要です7。対照的に、脳 CT のアルゴリズムが設定されると、評価者に代わって機械学習ベースの自動萎縮評価を簡単に適用して萎縮を特定できます。したがって、この方法は、個々の患者の萎縮を直接評価するためだけでなく、多数の脳 CT スキャンでほぼ専門家レベルの視覚評価を一貫して再現するためにも使用できます。画像内のピクセル、ラベル付け、関心領域の手動セグメント化には経験豊富なリーダーが必要で、時間がかかり、観察者内および観察者間でばらつきが生じやすいため、これは重要です。

過去数年にわたり、MRI と CT イメージングの両方に対して、いくつかの自動および半自動の脳セグメンテーション方法が提案されてきました 29,30,31。脳は小さく複雑な構造であるため、特に CT スキャンでは SNR と空間分解能が大幅に低くなり、大きな制限となるため、セグメンテーションは困難な問題になります。画像セグメンテーションは、脳萎縮の形態学的変化をより適切に視覚化するために使用でき、臨床医の理解を深め、診断プロセスを支援します。この研究では、私たちが提案した方法論が CT ベースのイメージングで効率的かつ効果的であることが証明され、さまざまなイメージングモダリティでの同様の自動脳萎縮グレード付けアプリケーションに簡単に活用できます。

初期取得画像のマトリックスのダウンサイズは GPU パフォーマンスを考慮して実行されましたが、このプロセスは数秒程度で迅速であり、臨床上の決定をサポートできる結果を得るのに効果的でした。さらに、CT画像の強度とヒストグラムの正規化と個々の被験者のMRI画像を使用したアフィン変換によって行われた前処理フェーズを通じて、脳セグメンテーションと効率的な定量的パフォーマンス効果のためのノイズの削減を試みました。したがって、MRI および CT 画像で GM、CSF、および WM のセグメント化された組織タイプを提供することで、一貫した結果を提供することが可能です。

RLR 測定の精度と信頼性はすべてのグループで高かったが、MTAR は MTAL、PA、FA 地域と比較して最も高い精度率を達成しました。反対に、FA 領域は 4 つの評価指標のうち 3 つで最も低かったが、これはおそらく MA や PA と比較して AD における FA が相対的に不明瞭であるためであると考えられる。また、提案された RLR モデルは、約 20% が神経内科医の視覚的評価に適合しなかったため、80% の精度を示しました。これは、脳 CT 自体の視覚的評価が曖昧であることが原因である可能性があります。さらに、視覚的評価は機械学習トレーニングのラベル付け値として使用されました。しかし、脳 CT に基づく萎縮の評価は、脳 MRI に比べて解像度が比較的低いため、神経内科医が特定するのは容易ではありませんでした。私たちの目標は正確な脳萎縮を測定することではなく、臨床上の意思決定を支援するために萎縮をより一貫して予測できるアルゴリズムを開発することであったため、よりラベル付けされたデータにより精度が向上すると考えています。

特徴の寄与とその視覚化は、機械学習の分野における重要な分析手法です。どの萎縮関連領域が提案されたモデルのパフォーマンスに最も寄与しているかを特定するために、各特徴の係数値に基づいて特徴の重要性を評価しました。最もランクの高い特徴の中で、3D ボリュームと 2D スライスの両方からの GCA 特徴が FA 分類にとって最も重要でしたが、一意の 2D スライスのみからの GCA 特徴は PA 分類に大きく影響しました。我々が提案したモデルは、3D ボリュームと 2D スライスの両方における心室の変化が、他の対応する MTA の分類に大きく寄与していることも示しました。

有望な結果にもかかわらず、この研究には限界がありました。まず、利用可能なトレーニングデータセットが小さいため、モデルのパフォーマンスに影響を与えた可能性があります。 CT ベースのデータセットが大規模であれば、この方法の精度が向上すると期待するのは当然です。 MRI ベースのデータセットと比較して、MRI 画像は、より均一な特徴分布を持つ CT ベースのスキャンよりもはるかに詳細な情報を提供することに言及する価値があります。これは、モデルのトレーニング用に追加の CT ベースのデータがあれば、脳萎縮推定の精度が向上するという考えをさらに裏付ける可能性があります。そのため、データ拡張技術など、合成医用画像を生成できる深層学習戦略の検討が必要になる場合があります。第 2 に、この研究では単中心データセットが適用されています。すべての CT スキャンは単一の施設で取得されたものであり、私たちのモデルは施設間のハードウェア実装とスキャン技術の違いを考慮していませんでした。これにより結果に偏りが生じ、その結果、トレーニングされた CNN モデルの一般化可能性が低下する可能性があります。また、SNRの値は、装置（スライス厚）、プロトコル（mAs）、測定対象や患者（体格や臓器）によって異なる場合があるため一律に語ることは難しいですが、CTスキャナーを示すために使用できます。ファントム研究の SNR としてのステータス。ただし、CNN モデルの開発においては、大規模で多様な注釈付きデータセットをトレーニングに利用できるかどうかが依然として大きな課題となっています。第三に、CT 画像は患者の高い放射線被ばくを伴います。したがって、価格と入手しやすさの点で MRI よりも優れているにもかかわらず、臨床現場で日常的に推奨することはできません。本研究は、韓国の認知症計画における政府主導の早期診断プログラムとして着実に蓄積されてきた脳CTにおける萎縮の評価に有用なモデルを提示することを試みた。

結論として、脳萎縮セグメンテーション用の統合された U-Net モデルと RLR モデルは、脳萎縮を視覚的に評価するための包括的な臨床ツールを提供しました。これらの対策により、特にリソースが限られている病院において、脳萎縮状態のさまざまな領域をより適切に評価するための診断および予測情報が増加する可能性があります。さらに、大規模なデータセットを収集することは、臨床医学における CT ベースの評価の適用を加速するのに役立ち、これらの機械学習ベースの方法を改善する可能性があります。さらなる研究では、実際の臨床現場で神経内科医を支援するためにこのツールを拡張することを目指す必要があります。

現在の研究中に使用および/または分析されたデータセットは、合理的な要求に応じて責任著者から入手できます。

マッカーンGMほかアルツハイマー病による認知症の診断: アルツハイマー病の診断ガイドラインに関する国立老化研究所とアルツハイマー病協会のワークグループからの推奨事項。アルツハイマー病認知症 https://doi.org/10.1016/j.jalz.2011.03.005 (2011)。

論文 PubMed Google Scholar

ワードロー、JM et al. 小血管疾患とその老化と神経変性への寄与に関する研究のための神経イメージング標準。ランセットニューロール。 https://doi.org/10.1016/S1474-4422(13)70124-8 (2013)。

記事 PubMed PubMed Central Google Scholar

ジャック、CR 他さまざまな MRI 脳萎縮率測定と AD における臨床疾患の進行の比較。神経学 62(4)、591–600 (2004)。

記事 Google Scholar

デン・ハイジャー、T.ら。初期の認知症および認知機能低下における磁気共鳴画像法による海馬体積の10年間の追跡調査。ブレイン 133(4)、1163–1172 (2010)。

記事 Google Scholar

シェルテンス、P. et al. 「おそらく」アルツハイマー病におけるMRIでの内側側頭葉の萎縮と正常な老化：診断価値と神経心理学的相関。Ｊ．Ｎｅｕｒｏｌ．脳神経外科。精神医学 https://doi.org/10.1136/jnnp.55.10.967 (1992)。

記事 PubMed PubMed Central Google Scholar

Victoroff, J.、Mack, WJ、Grafton, ST、Schreiber, SS & Chui, HC 認知症における脳 MRI スキャンの視覚検査の評価者間信頼性を向上させる方法。神経学 https://doi.org/10.1212/wnl.44.12.2267 (2012)。

記事 Google Scholar

Harper, L.、Barkhof, F.、Fox, NC & Schott, JM 視覚的評価を使用した認知症の診断: MRI 萎縮スケールの重要な評価。Ｊ．Ｎｅｕｒｏｌ．脳神経外科。精神医学 (2015)。 https://doi.org/10.1136/jnnp-2014-310090。

Pasquier、F. et al. 半球梗塞を伴う MRI スキャンにおける脳萎縮評価の観察者間および観察者内の再現性。ユーロ。ニューロール。 https://doi.org/10.1159/000117270 (1996)。

論文 PubMed Google Scholar

デイビス、RR 他。複数の脳領域に対する MRI 評価スケールの開発: 体積測定およびボクセルベースの形態計測との比較。神経放射線学 https://doi.org/10.1007/s00234-009-0521-z (2009)。

論文 PubMed Google Scholar

ジャック、CR 他 NIA-AA 研究枠組み: アルツハイマー病の生物学的定義に向けて。アルツハイマー型認知症 https://doi.org/10.1016/j.jalz.2018.02.018 (2018)。

記事 PubMed PubMed Central Google Scholar

De Leon, MJ、George, AE、Stylopoulos, LA、Smith, G. & Miller, DC アルツハイマー病の早期マーカー: 萎縮した海馬。ランセット https://doi.org/10.1016/S0140-6736(89)90911-2 (1989)。

記事 Google Scholar

Lee, DW & Seong, SJ 韓国国民の認知症計画: 第 1 期から第 3 期まで。 J.韓国医学。准教授 https://doi.org/10.5124/jkma.2018.61.5.298 (2018)。

記事 Google Scholar

Jo, T.、Nho, K. & Saykin, AJ アルツハイマー病における深層学習: 神経画像データを使用した診断分類と予後予測。 32.

ペレグリーニ、E. et al. 認知障害と認知症の診断支援のための神経画像の機械学習: 系統的レビュー。アルツハイマー型認知症。診断します。評価。ディス。モニト。 10、519–535 (2018)。

Google スカラー

Jang、H.ら。脳アミロイド血管障害マーカーの可能性がある患者におけるアミロイドβ陽性の臨床的意義。ユーロ。Ｊ．Ｎｕｃｌ．医学。モル。イメージング 46、1287–1298 (2019)。

記事 CAS Google Scholar

キム、SE 他。健忘症の軽度認知障害におけるアミロイド PET 陽性を予測するためのノモグラム。 J.アルツハイマー病 JAD 66、681–691 (2018)。

記事 CAS Google Scholar

ジェンキンソン、M. & スミス、S. Med 画像アナル 2001 ジェンキンソン。 5、1–14 (2001)。

Jenkinson, M.、Bannister, P.、Brady, M.、Smith, S. 脳画像の堅牢かつ正確な線形レジストレーションと動き補正のための最適化が改善されました。ニューロイメージ 17、825–841 (2002)。

記事 Google Scholar

Smith, SM 高速で堅牢な自動脳抽出。ハム。脳マップ。 17、143–155 (2002)。

記事 Google Scholar

Muschelli、J. et al. 頭部CT画像の自動脳抽出を検証。ニューロイメージ https://doi.org/10.1016/j.neuroimage.2015.03.074 (2015)。

記事 PubMed PubMed Central Google Scholar

Reuter, M.、Rosas, HD & Fischl, B. 正確な逆一貫性のあるロバストなレジストレーション。ニューロイメージ 53、1181–1196 (2010)。

記事 Google Scholar

Reuter, M.、Schmansky, NJ、Rosas, HD & Fischl, B. 不偏縦断画像解析のための被験者内テンプレート推定。ニューロイメージ 61、1402–1418 (2012)。

記事 Google Scholar

Ronneberger, O.、Fischer, P. & Brox, T. U-Net: 生物医学画像セグメンテーションのための畳み込みネットワーク。

Koedam、ELGE et al. MRI 評価スケールによる後部萎縮の進行の視覚的評価。ユーロ。ラジオル。 https://doi.org/10.1007/s00330-011-2205-4 (2011)。

記事 PubMed PubMed Central Google Scholar

キム、GH 他アルツハイマー病における内側側頭葉萎縮を評価するための、T1 強調軸視覚評価スケール。 J.アルツハイマー病 https://doi.org/10.3233/JAD-132333 (2014)。

記事 PubMed PubMed Central Google Scholar

Rathore, S.、Habes, M.、Iftikhar, MA、Shacklett, A. & Davatzikos, C. アルツハイマー病とその前駆段階に関する神経画像ベースの分類研究および関連する特徴抽出方法に関する総説。ニューロイメージ 155、530–548 (2017)。

記事 Google Scholar

ペドレゴサ、F.ら。 Scikit-learn: Python での機械学習。 J.マッハ。学ぶ。解像度 12、2825–2830 (2011)。

MathSciNet MATH Google Scholar

アギラール、C.ら。自動化された CT ベースのセグメンテーションと頭蓋内総容積の定量化。ユーロ。ラジオル。 https://doi.org/10.1007/s00330-015-3747-7 (2015)。

論文 PubMed Google Scholar

スー、CHら。 3D T1 強調ボリューム画像を使用した、アルツハイマー病の深層学習ベースの自動脳セグメンテーションおよび分類アルゴリズムの開発と検証。午前。 J. Neuroradiol. https://doi.org/10.3174/ajnr.A6848 (2020)。

記事 PubMed PubMed Central Google Scholar

フェルハウアー、I. et al. 脳ファントムと初期のアルツハイマー型認知症または軽度認知障害のある患者を使用した自動脳セグメンテーションの比較。精神医学研究所ニューロイメージング 233、299–305 (2015)。

記事 Google Scholar

ヤアクブ、SN et al. 脳アトラスの選択と自動セグメンテーション方法について: 3 つのアトラスデータベースを使用した MAPER と FreeSurfer の比較。科学。議員第 10 号、2837 (2020)。

記事 ADS CAS Google Scholar

リファレンスをダウンロードする

この研究は「国立衛生研究所」研究プロジェクト（2021-ER1006-01）の支援を受けました。この研究は、韓国保健福祉省の資金提供を受けた韓国健康産業開発院（KHIDI）を通じた韓国健康技術研究開発プロジェクトの助成金（助成金番号：HI19C1132）によって支援されました。

韓国春川市江原大学校医学部神経内科

チャン・ジェウォン、キム・イェシン、キム・ソンホン

韓国春川市江原大学校病院神経内科

チャン・ジェウォン、パク・サンウォン、パヤム・ホセインザデ・カサニ、イェシン・キム、ソンホン・キム

韓国春川市、江原国立大学医療ビッグデータコンバージェンス学部

チャン・ジェウォン、パク・サンウォン、パヤム・ホセインザデ・カサニ

高麗大学校生体医工学科、ソウル、韓国

ジョンフン・キム＆ジュンギョン・ソン

韓国ソウル、成均館大学医学部サムスン医療センター神経内科

スジョン・キム、ドク・L・ナ、サンウォン・ソ

韓国、ソウル、成均館大学医学部サムスン医療センター核医学科

ムン・スンファン

PubMed Google Scholar でこの著者を検索することもできます

SWS と JKS がこの研究を企画しました。 DLN と SWS はデータセットを提供し、レビューしました。 SYK、JWJ、PHK、SWP、SJK が主な原稿テキストを執筆しました。 SYK、JHK、YSK、SHK、SHM、JKS がデータ分析を実行しました。 JKS と PHK は原稿を批判的に検査し、原稿の改訂に参加しました。すべての著者は最終原稿データを読み、承認しました。

Sang Won Seo または Joon-Kyung Seong への通信。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

ジャン、JW、キム、J、パーク、SW。他。脳のCT画像を用いた機械学習に基づく皮質萎縮の自動推定。 Sci Rep 12、14740 (2022)。 https://doi.org/10.1038/s41598-022-18696-6

引用をダウンロード

受信日: 2022 年 2 月 12 日

受理日: 2022 年 8 月 17 日

公開日: 2022 年 8 月 30 日

DOI: https://doi.org/10.1038/s41598-022-18696-6

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。

工場内の最初から最後まで製品を監視

香水市場は2030年までに力強く発展し拡大する

ニュース

機械学習