[論文レビュー] Medical Imaging Synthesis using Deep Learning and its Clinical Applications: A Review

Tonghe Wang, Yang Lei+4 more|arXiv (Cornell University)|Apr 21, 2020

Medical Imaging Techniques and Applications参考文献 174被引用数 14

ひとこと要約

本レビューは、画像診断および放射線 oncology 分野における、深層学習を用いた医療画像合成手法を体系的に要約し、その臨床的有用性を強調している。深層学習は、リアルな高精細な合成画像を高速に生成する点で、従来の手法を上回っているが、多様な解剖学的構造、スキャナ、データ分布にわたる耐性の面で課題が残っている。

ABSTRACT

This paper reviewed the deep learning-based studies for medical imaging synthesis and its clinical application. Specifically, we summarized the recent developments of deep learning-based methods in inter- and intra-modality image synthesis by listing and highlighting the proposed methods, study designs and reported performances with related clinical applications on representative studies. The challenges among the reviewed studies were summarized in the discussion part.

研究の動機と目的

• 複数の画像モalityおよびプロトコルにわたる深層学習ベースの医療画像合成手法を体系的にレビューすること。
• 放射線 oncology や放射線科のワークフローにおける、これらの手法の性能と臨床的適用可能性を評価すること。
• モデルの一般化、データの多様性、臨床応用における主な課題を同定すること。
• 性能と実用性の観点から、深層学習アプローチと従来のモデルベース手法を比較すること。
• 耐性があり、マルチセンター対応かつ臨床現場で利用可能な画像合成システムの今後の研究方向性を強調すること。

提案手法

• 2020年2月までを期間として、PubMed における画像合成、深層学習、医療画像モality（CT、MRI、PET など）に関連するキーワードを用いた体系的文献サーチを実施した。
• ピアレビュー済みジャーナル論文を手動でスクリーニングし、引用文献のたどりによる追加研究の同定を実施した。その結果、111件の論文が本レビューに含まれた。
• 深層学習アーキテクチャ（例：U-Net、CycleGAN）、画像モalityのペア、および応用タイプ（モダリティ間 vs. モダリティ内合成）に基づいて研究を分類した。
• 平均絶対誤差（MAE）、構造的類似性（SSIM）、視覚的品質などの性能指標を用いて、手法間の比較を行った。
• 異なるスキャナ、患者集団、画像プロトコルにわたるモデルの一般化能力を評価し、データの代表性の重要性を強調した。
• 合成画像の検証に適した品質保証手順を含む、臨床適合性を評価するフレームワークを提案した。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースの画像合成手法は、画像品質と臨床的有用性において、従来のモデルベース手法に比べてどのように異なるか？
• RQ2 高精細なモダリティ間・モダリティ内画像合成を可能にする主な深層学習アーキテクチャとトレーニング戦略は何か？
• RQ3 モデルの性能と耐性は、多様な患者の解剖学的構造、インプラント、スキャナーメーカーによってどの程度変動するか？
• RQ4 ペaired と unpaired のトレーニングデータは、深層学習ベースの合成における性能と実現可能性にどのように影響するか？
• RQ5 これらのモデルを臨床ワークフローに導入するにあたり、主な課題は何か。また、それらはどのように克服できるか？

主な発見

• 深層学習ベースの手法は、従来のモデルベース手法に比べ、平均絶対誤差（MAE）が低く、構造的類似性（SSIM）が高いという点で、リアルな合成画像の生成において顕著に優れている。
• 3D U-Net モデルは、2D モデルに比べ骨領域の再構築精度が優れていたが、より多くのトレーニングデータと計算リソースを要する。
• ペアドされていない生成モデル（例：CycleGAN）は、ピxls同士の対応付けに依存しないため、より大規模なデータセットを活用できる。
• 入力がトレーニング分布から逸脱すると、特にインプラント（例：大腿骨プロテーゼ）や極端な解剖学的変異を示す症例で、モデル性能が低下する。
• 多くの研究が単一施設・単一スキャナのデータセットを用いており、一般化性に制限がある。多施設での検証に、1施設を除いた交差検証（leave-one-center-out）戦略の導入が求められる。
• 臨床現場への導入には、新規患者症例やシステムアップデートに伴うモデルの一貫性と合成画像品質を監視するための、堅牢な品質保証手順が必要である。