Robust automatic brain vessel segmentation in 3D CTA scans using dynamic 4D-CTA data

技術要約：動的4D-CTAデータを用いた3D CTAスキャンにおける堅牢な自動脳血管セグメンテーション

問題提起
頭蓋内コンピューター断層撮影血管造影（CTA）は、血管異常を検出するための重要な診断ツールである。動的な4D-CTAは詳細な時間的血管情報を提供するが、主要な臨床プロトコルは依然として単相（single-phase）CTAである。単相スキャンから脳血管を堅牢に抽出することは、背景となる骨や軟部組織の存在、および広範な後処理なしに動脈と静脈を区別することの難しさから、困難を伴う。さらに、既存のディープラーニングによる血管セグメンテーション手法には、以下の重大な限界がある：

• データの不足： 高品質で微細なアノテーションが付与されたデータセットは稀である。既存のTopCoWのようなデータセットは、主にウィリス動脈輪（CoW）の動脈に焦点を当てており、脳血管疾患管理に関連するより広範な血管領域を無視している。
• アノテーションの負担： CTA画像の精緻なアノテーションには専門的な解剖学的知識が必要であり、特に動脈と静脈を分離する作業は非常に手間がかかる。
• 汎用性： 限定的なモダリティや単一の造影相で学習されたモデルは、異なる造影相に対して汎用性が低かったり、動脈と静脈の両方の構造を正確に捉えられなかったりすることが多い。

手法
著者らは、動的な4D-CTAデータを活用して堅牢な学習データセットを作成し、セグメンテーション性能を向上させる新しいパイプライン、DynaVesselを提案している。その手法は、主に以下の3つの段階で構成される：

1. データ取得および前処理：

   • 動的CTA： 造影剤注入後60秒間にわたり、19のタイムポイントで画像をキャプチャする320列検出器CTスキャナーを用いてスキャンを行う。
   • 骨・軟部組織除去： スキャナーは、造影剤が脳に到達する前に取得されたベースライン画像を利用して、骨および軟部組織を後続の画像から減算し、血管の可視化を強化する。
   • 血管分離： カスタムアルゴリズム（Algorithm 1）が、剛体変換を用いて動脈相と静脈相の画像を整列させる。その後、2つの相間のボクセル強度を比較することで、動脈相における静脈構造の抑制、および静脈相における動脈構造の抑制を行う。これにより、患者ごとに2つの異なるボリューム、すなわち骨および静脈が抑制された動脈ボリューム（$S^*_a$）と、骨および動脈が抑制された静脈ボリューム（$S^*_v$）が得られる。
   • ROI抽出： 頭蓋骨と頸部のバイナリマスクを適用して頭蓋外組織を抑制し、画像を0.468 mmの等方解像度にリサンプリングする。

2. グラウンドトゥルース（GT）アノテーション：

   • 分離された血管ボリュームは、iCafe特徴抽出パイプラインを用いて処理される。これには、強度の正規化、閾値処理（追跡にはPhansalkar法、可視化にはRenyiエントロピーを使用）、および血管状の構造をトレースするためのオープンカーブ・アクティブコンツアーモデルが含まれる。
   • 手動検証： 脳神経放射線科医がトレースを検証し、頭蓋外の偽構造の除去や解剖学的変異の修正を行う。静脈については、精度を確保するために末梢枝を手動で精緻化する。
   • データセット構築： 最終的なデータセットであるDynaVesselは、43人の患者から得られた275の頭部CTAスキャンで構成される。学習セットには29人の患者から得られた110の画像が含まれ、テストセットには14人の患者から得られた165の画像が含まれる。決定的なのは、学習データが複数の造影相（患者あたり3〜19ボリューム）を単一のGTアノテーションとペアにしていることで、これによりデータセットを実質的に4〜5倍に拡大し、造影の変動に対する堅牢性を誘発している。

3. モデルの学習および評価：

   • アーキテクチャ： nnUNet（Residual Encoder UNet）モデルをDynaVesselデータセット上で学習させる。
   • 評価指標： 性能は、修正Dice係数（mDC）、平均方向付きハウスドルフ距離（adHD）、およびトポロジー感度（tSens）を用いて評価される。評価は、バイナリ血管セグメンテーション、動脈対静脈のセグメンテーション、および20の特定の動脈および6つの静脈解剖学的領域にわたるセマンティックセグメンテーションに対して行われる。
   • ベースライン： 提案モデル（$M_{DV}$）を、TopCoW、VesselVerse、および基盤モデルであるVesselFMで学習されたモデルと比較する。

主な貢献

1. アノテーション・パイプライン： 著者らは、減算と自動トレースを活用することで、動的4D-CTAデータを用いて頭部CTAスキャンの動脈と静脈をアノテーションするパイプラインを文書化し、アノテーション時間を大幅に短縮した。
2. DynaVesselデータセット： 多様な造影相（遠位動脈や静脈洞を含む）と解剖学的領域をカバーする、動脈と静脈の微細なアノテーションが付与された275のスキャンを含むDynaVesselデータセットを提示した。
3. 性能ベンチマーク： DynaVesselで学習されたモデルを、TopCoW、VesselVerse、またはVesselFMで学習された最先端のベースラインと比較評価し、動脈と静脈の両方において優れたセグメンテーション性能を実証した。

結果
DynaVesselで学習されたモデル（$M_{DV}$）は、すべての血管領域およびデータセットにおいて、TopCoW、VesselVerse、またはVesselFMで学習されたモデルよりも有意に優れた性能を達成した：

• TopBrainデータセット： $M_{DV}$は、動脈で0.846、静脈で0.957の平均mDCを達成した。これに対し、最良のベースライン（VesselVerse）は、動脈で0.455、静脈で0.031であった。
• 誤差範囲： モデルは、動脈で0.304 mm、静脈で0.078 mmのadHDという低い誤差範囲を示し、高いトポロジー感度（tSens）である**0.877（動脈）および0.974（静脈）**を達成した。
• 堅牢性： 性能は造影相によって自然に変動するものの（例：造影前相では性能が低下）、マルチフェーズデータでの学習により、単一のピーク相で学習されたモデルと比較して汎用性が大幅に向上した。アブレーション研究により、単一の相のみで学習すると、未知の相に対する汎用性が著しく低下することが確認された。
• 定性的分析： 可視化の結果、$M_{DV}$は偽陰性が非常に少なく、動脈および静脈構造のほぼ完全なカバーを実現した一方で、ベースラインモデルはほとんどの静脈を検出できなかったり、多数の偽のセグメンテーションを生成したりしていた。

意義
本論文は、本研究がCTAスキャンにおけるすべての脳血管構造の自動セグメンテーションに向けた重要な一歩であると主張している。動的な4D-CTAデータを利用することで、著者らは、頭蓋内動脈と静脈を区別するという長年の困難さと、労力のかかるアノテーション作業の軽減という課題を克服した。得られたデータセットとモデルは、閉塞部位の特定や動脈瘤の検出といった脳血管病理を評価するための、一次または補助的な入力としての幅広い適用性を提供する。著者らは、現在の微細なセマンティック評価は上限近似（upper-bound approximation）としての役割を果たしているが、本手法は、アノテーションを拡張し、複雑なセマンティックセグメンテーションタスクのためのアーキテクチャを開発するための基礎を提供するものであると述べている。