Method Article

ヒト患者の非造影CT画像を用いた大動脈解離検出のための人工知能モデルの訓練

DOI:

10.3791/71056

⸱

May 29th, 2026

 ,  ,  ,  ,  ,  ,  , 
1Department of Cardiology, China-Japan Union Hospital of Jilin University, 2China-Japan Union Hospital of Jilin University, 3Chengdu Zhitu Intelligent Technology Co., Ltd

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

このプロトコルは、人工知能モデルを訓練して非造影CT画像を用いて大動脈解離を検出し、臨床現場での迅速かつアクセスしやすいスクリーニングを可能にします。

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

大動脈解離(AD)は血管再構築の恒常性障害による極端な結果であり、臨床現場での迅速かつ正確な特定が求められます。このプロトコルは、非造影CT(CT)を用いた人工知能ベースのAD識別学習モデルを記述します。グレードAの三次病院で、AD患者および非AD患者から胸部CTおよび大動脈CT血管造影データセットを収集しました。各軸方向画像の血管構造は、オープンソースソフトウェアLabelMeを使って手動で分割・注釈を付け、モデル開発と評価のための分割データセットを構築しました。データセットは、モデルのトレーニングと検証のために8:1:1の比率でトレーニングセット、テストセット、検証セットに分割されました。堅牢な検出性能を持つモデルの開発に続き、結果を可視化・提示するためのオンライン処理プラットフォームが構築されました。このアプローチは、ADの迅速かつ予備的なスクリーニングのための強力で知的なツールを提供し、多様な臨床環境における早期発見の未充足の臨床ニーズに対応しています。

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

大動脈解離(AD)は、内膜の裂け目から大動脈壁の内側層に血液が流入し、解離性かつ拡張する偽腔1を形成する生命を脅かす急性疾患です。迅速な診断と治療がなければ、死亡率は非常に高く、24時間以内の死亡(入院前に死亡した者も含む)は93%でした2。造影CT検査(CTA)は、真腔・偽腔、裂傷部位、関与の程度を明確に可視化できるため、AD診断のゴールドスタンダードです。しかし、CTAにはヨウ素含有造影剤の注射が必要であり、アレルギー反応や腎毒性のリスクがあります。さらに、多くのプライマリ病院や緊急施設では24時間体制の迅速な対応は困難です。これに対し、非造影CT(NCCT)は造影剤を必要としないため、比較的低い放射線量で便利で迅速な検査と広範な応用を提供します。それにもかかわらず、NCCT画像では真のルーメンと偽のルーメン、さらに内膜フラップと血液のコントラストが低く、医師の視覚診断に大きな課題をもたらし、特に経験の浅い臨床医の間で見逃しや誤診の原因となりやすいです。したがって、NCCT画像から直接高精度かつ高感度でADを検出できる技術の開発は、臨床的価値と応用の見通しに重要な価値を持っています。

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究におけるすべての人間関連データ収集は、ヘルシンキ宣言の倫理基準に従って実施され、吉林大学中日連合病院倫理委員会(承認番号:2019103004)によって承認されました。関連情報の収集前に、すべての参加者またはその法定後見人から書面によるインフォームドコンセントが取得されました。被験者のすべての個人情報はプライバシー保護のため厳重に機密にされ、データ収集過程で被験者に対する実験的な手術は行われませんでした。

1. データセット構築

  1. データ収集とデータセットの分割
    1. 2022年3月1日から2025年3月1日までに吉林大学中日連合病院に入院した300名の患者から臨床非造影胸部CT画像を収集し、その中にはCTAで確認されたAD患者150名と非AD患者150名が含まれます。タイプAとタイプBのADを含めてください。すべての生画像データは機関限定であり、患者のプライバシーや倫理的制約により一般公開されていません。
    2. データセットを患者レベルで8:1:1の比率でトレーニング、検証、テストセットに分割します。1人の患者のスライスをすべて1つのセット内に収め、データの漏洩を防ぎましょう。
    3. AD/非AD診断に基づく層別抽出を行い、すべてのサブセット間でクラスバランスを保つ。
    4. データセッ....

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

このセクションでは、NCCT画像からのAD検出のための2クラスオブジェクト検出モデルの再現可能かつ実装検証済みの結果を提示し、検証済みの訓練パイプラインおよびCOCO評価フレームワークに厳密に沿ったものです(図1)。すべての指標はCOCOevalを用いた保留テストセットから導き出され、偽造データや未検証の指標は含まれていません。

定量的検出性能

モデルは標準的なCOCOバウンディングボックス検出指標を用いて、140枚の画像(154件の注釈)からなるホールドアウトテストセットで評価されました。最適なチェックポイントはエポック30の検証セットから選ばれ、bbox_mAP = 0.6339。対応する正式テストセットの評価結果は以下の通りです:全体のbbox mAP = 0.337、bbox AP50 = 0.534、bbox AP75 = 0.399。クラスごとの平均精度は.......

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

特に救急医は、患者が非典型的な症状を呈したり、救急外来の患者数が多いため時間的制約が生じた場合、診断能力の低下を経験することがあります。これに対し、NCCT上のADを特定するために訓練されたAIモデルは、無症状患者でも読み取り時間の制限を受けずに一貫した安定したパフォーマンスを提供できるため、ADおよび壁内血腫9の診断精度と効率を向上させる可能性があります。

データセット構築段階はモデルのパフォーマンスに不可欠であり、8:1:1の分割比率は十分な訓練と信頼性の高い評価のバランスを取っています。HRNet+SENetアーキテクチャは、マルチスケール特徴を抽出する上で重要です。HRNetは微妙なAD記号の高解像度情報を維持し、SENetは識別チャネルへのモデルの焦点を強化し、NCCT画像10の低コントラストの課題を克服します。

計算資源が限られた機関では、バッチサイズを.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

著者たちは利益相反を一切認めていない。

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

著者らは、吉林大学中日聯合病院放射線科の臨床画像データ提供と専門的な注釈支援に感謝申し上げます。本研究は中国吉林省科学技術部(助成金番号20220402076GH)の支援を受けました。

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
カスケードR-CNNアーキテクチャOpenMMLab(MMDetection)configs/cascade_rcnn/cascade_
rcnn_hrnetv2p_w32_20e_coco.py		フレームワークで使用される検出アーキテクチャ
胸部コンピュータ断層撮影画像(造影剤なし)自己構築臨床データセットNCCT軸方向画像セットモデル開発に使用される臨床画像データ
COCO形式の注釈ファイルプロトコル中に生成JSON(COCO形式)モデルトレーニングに使用される変換された注釈ファイル
COCO事前訓練ウェイトOpenMMLab MMDetection モデル動物園cascade_rcnn_hrnetv2p_w32_20e_
coco_20200208-928455a4.pth		モデル初期化に使用
HRNetV2p-W32アーキテクチャOpenMMLab(MMDetection)HRNetV2p-W32 バックボーン(MMDetection 2.28.2で実装)使用されたバックボーンモデル
イッカパチッITK-SNAP開発チーム3.8.0画像フォーマット変換およびスライスエクスポートに使用されます
JSON注釈ファイルLabelMeの出力標準JSONフォーマット注釈座標とラベルを含める
ラベルミーMITサイル4.8.3手動画像注釈に使用
MMDetectionOpenMMLab2.28.2実装に用いられるオブジェクト検出フレームワーク
MMCVOpenMMLab1.7.2MMDetectionをサポートするコアライブラリ
NumPyNumPy 開発者1.26.4数値計算ライブラリ
NVIDIA RTX 3080 Ti GPUNVIDIARTX 3080 Ti訓練用ハードウェア
OpenCVOpenCV4.9.0画像処理と可視化
パイココツールPyPI / COCO API 2.0.6COCO形式評価ライブラリ
パイソンPythonソフトウェア財団3.10.20プログラミング環境
パイトーチパイトーチ2.0.1+cu118ディープラーニングフレームワーク
トーチビジョンパイトーチ0.15.2+cu118視覚ユーティリティ
Ubuntu オペレーティングシステム正典22.04.1 LTSトレーニング環境OS

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Aortic DissectionArtificial Intelligence ModelNon Contrast CTComputed TomographyVascular SegmentationModel TrainingChest CTAortic CT AngiographySegmentation DatasetEarly Detection

Related Articles