バーゼル大学病院が、「TotalSegmentator」を発表：体のCT画像の主要な解剖構造を自動的にセグメント化するための深層学習セグメンテーションモデル

バーゼル大学病院、「TotalSegmentator」の発表：体のCT画像の主要な解剖構造を自動的にセグメント化するための深層学習セグメンテーションモデル

過去数年間、実施されるCTスキャンの数と利用可能なデータ処理能力は増加してきました。ディープラーニングの進展により、画像解析アルゴリズムの能力は大幅に向上しました。データストレージ、処理速度、およびアルゴリズムの品質の改善により、放射線学的研究においてより大きなサンプルが利用されています。解剖学的構造のセグメンテーションは、これらの調査の多くにおいて重要です。放射線学的画像のセグメンテーションは、高度な生体マーカー抽出、自動病理の検出、腫瘍負荷の定量化に利用することができます。セグメンテーションは、手術や放射線治療計画などの一般的な臨床分析で既に利用されています。

個々の臓器（膵臓、脾臓、結腸、肺など）のCT画像のセグメンテーションには別々のモデルが存在し、複数の解剖学的構造からのデータの組み合わせについても研究が行われています。しかし、以前のすべてのモデルは、重要な解剖学的構造のごく一部しか含まず、通常の臨床画像を代表するものではない小規模なデータセットでトレーニングされています。多くのセグメンテーションモデルやデータセットへのアクセスの欠如は、研究者にとってその有用性を制限しています。公開されているデータセットへのアクセスには、しばしば長い書類手続きが必要であり、作業が煩雑であるか、制限されているデータプロバイダを利用する必要があります。

バーゼル大学病院放射線学と核医学クリニックの研究者は、約1204のCTデータセットを使用して、104の解剖学的エンティティのセグメンテーション方法を作成しました。彼らはCTスキャナ、取得設定、および造影剤フェーズでデータセットを取得しました。彼らのモデルであるTotalSegmentatorは、最小限のユーザー入力で体のほとんどの重要な解剖学的構造をセグメント化することができます。さらに、さまざまな臨床データセットにおける高い精度（Diceスコア0.943）と堅牢性により、このツールは他のオンラインで無料に利用できるものよりも優れています。研究チームはまた、4000以上のCT検査の巨大なデータセットを使用して、さまざまな臓器の体積と吸収に関する年齢に関連する変化を調べ、報告しました。

• 機械学習を用いたサッカータッチダウンの予測
• 「LangChainが評価しようとしている6つのLLMの問題点」
• 『ゴーストバスター内部：バークレー大学のAI生成コンテンツ検出の新しい方法』

研究者は、自分たちのモデルを事前にトレーニングされたPythonパッケージとして利用できるようにしています。彼らは、モデルが12GB以下のRAMを使用し、GPUは不要であるため、どのような標準的なコンピュータでも実行できると強調しています。また、彼らのデータセットは特別な許可や要求なしで簡単にアクセスできます。現在の研究では、nnU-Netベースのモデルを使用しましたが、これはさまざまなタスクで信頼性のある結果を生み出すことが証明されています。これは今や医学的画像セグメンテーションのゴールドスタンダードとして、ほとんどの他の手法を上回っています。ハイパーパラメータの調整やトランスフォーマーなどの異なるモデルの調査により、標準的なnnU-Netのパフォーマンスが向上しています。

論文に記載されているように、提案されたモデルにはさまざまな可能性があります。外科手術に明らかな応用だけでなく、迅速かつ容易にアクセスできる臓器のセグメンテーションは、肝臓や腎臓などの個々の線量測定にも役立ちます。さらに、自動セグメンテーションにより、クリニシャンに通常または年齢依存のパラメータ（HU、体積など）を提供することで、研究の向上も可能です。病変検出モデルと組み合わせて、特定の体部位の腫瘍負荷を近似するためにも利用できるかもしれません。さらに、このモデルはさまざまな疾患を識別するためのモデル開発の基盤としても利用できます。

このモデルは、さまざまな文脈で使用するために4,500以上の研究者によってダウンロードされています。このような大規模なデータセットの解析が可能になったのは最近のことであり、データサイエンティストには多くの時間と労力がかかりました。この研究は、CT多創傷スキャンを受けた4000人以上の個体のデータセットを使用して、年齢12歳と多数のセグメンテーションされた臓器の体積との関連を示しました。通常の臓器サイズや年齢に依存する臓器の成長に関する共通の文献の数字は、数百人のサンプルサイズに基づいています。

研究チームは、男性患者が研究データセットで過剰に代表されていたことに触れていますが、これは男性の方が女性よりも平均して病院を訪れるためかもしれません。それにもかかわらず、チームは自分たちのモデルが放射線学の人口に関するより広範な調査の出発点となり得ると考えています。彼らは、将来の研究ではデータセットとモデルにより多くの解剖学的構造を含める予定であると述べています。さらに、潜在的な交絡要因に対する調整やさらなる相関分析を行い、より包括的な年齢に関する研究を行う予定です。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!