論文サマリー：単一の隐含ニューラル表現による複数の心臓形状の学習と MRI 異方性の克服

1. 背景と課題 (Problem)

心血管磁気共鳴画像法（CMRI）は、心臓の形態と機能を評価するための重要なモダリティですが、短軸（SAX）画像には異方性（through-plane 方向の解像度が低い）と呼吸運動によるアーチファクトという根本的な限界があります。

• 現状の課題: 低解像度の SAX 画像から得られるセグメンテーションは、連続的な心臓の形状を不十分かつ空間的に異方的に表現してしまいます。Marching Cubes などの手法でメッシュを抽出しても、スライス間の位置ずれや不完全な解剖学的表現につながります。
• 既存手法の限界: 従来の超解像や運動補正手法は、高解像度の CMRI 画像やセグメンテーションをトレーニングデータとして必要としますが、臨床現場でこれらを入手することは困難です。また、DeepSDF などの既存の隐含ニューラル表現（INR）を用いた手法（例：Sander et al.）は、左室血液プール（LVBP）の単一形状に限定されており、複数の心臓構造を同時に表現する柔軟性に欠けていました。

2. 提案手法 (Methodology)

本研究では、高解像度かつ等方性の CT 血管造影（CTA）データを学習に利用し、単一の隐含ニューラル表現（Implicit Neural Representation: INR）を用いて、CMRI の低解像度セグメンテーションから高解像度の心臓形状（右室：RV、心筋：MYO、左室血液プール：LVBP）を再構成・補完する手法を提案しています。

2.1 データセット

• **学習データ **(Set 1): 153 名の心臓 CTA スキャン。自動セグメンテーション（TotalSegmentator）により、LVBP、MYO、RV、左房（LA）の形状を生成。
• **評価データ **(Set 2): 140 名の虚血性心筋症患者の CMRI スキャン（SAX 画像と 4 腔像：4CH）。自動モデルによりセグメンテーションを生成。

2.2 手法の核心

1. **単一の隐含ニューラル表現 **(Single INR):
   • 複数の心臓構造（MYO と RV）を同時に表現する単一のオートデコーダー型 MLP（多層パーセプトロン）を訓練します。
   • 各形状は、符号付き距離関数（SDF）のゼロ等値面として表現されます。MYO は心内膜と心外膜の両方を包含し、LVBP は MYO の内部として定義されます。
2. **マルチ形状潜在ベクトル **(Multi-shape Latent Vector):
   • 患者固有の形状バリエーションを捉えるため、入力点 $\vec{x}$ とマルチ形状潜在ベクトル $\vec{z}_P$ を条件として SDF を予測します。
   • この潜在空間は、異なる心臓構造間の共通解剖学的特徴（例えば室中隔）と患者固有の特徴の両方をエンコードします。
3. データ前処理と座標変換:
   • 心臓の向きに依存しない形状学習のため、重心ベクトル（RV→LV, LV→LA）に基づき、すべての座標を共通の参照座標系（LPS）に変換します。
   • 座標を $[-1, 1]^3$ 領域に正規化し、学習を安定化・高速化します。
4. 損失関数の簡素化:
   • 従来の DeepSDF などの手法に比べ、損失関数から双曲正接項（tanh term）を削除し、単純な MSE（平均二乗誤差）と L2 正則化項のみを使用することで、学習時間の短縮と計算負荷の軽減を図りました。
   • 損失関数：$L_{SDF_i} = \text{MSE}(f_\theta(\vec{x}, \vec{z}_P)_i, \text{SDF}_i(\vec{x})) + \lambda \|\vec{z}_P\|_2^2$

2.3 推論プロセス

• 推論時には、CMRI（SAX + 4CH）から抽出した疎な点雲を入力とし、固定されたモデル重み $\theta$ の下で、最適な潜在ベクトル $\vec{z}_P$ を最適化します。
• 得られた $\vec{z}_P$ と固定された重みを用いて、高解像度の SDF ボリュームを生成し、Marching Cubes 法で滑らかな表面メッシュを抽出します。

3. 主要な貢献 (Key Contributions)

1. 単一モデルによる複数構造の同時表現: 従来の単一形状（LVBP のみ）の制限を打破し、1 つの INR モデルで RV、MYO（心内膜・心外膜）、LVBP を同時に高精度に再構成可能にしました。
2. CTA 事前知識の活用とデータ効率の向上: 高解像度の CTA データから形状の事前分布（Shape Prior）を学習させることで、低解像度の CMRI からの再構成を可能にしました。さらに、先行研究（Sander et al.）と比較して3 分の 1 の CTA データ量（100 例 vs 341 例）で同等以上の性能を達成し、学習時間を大幅に短縮（6 時間→1 時間 40 分）しました。
3. 臨床的有用性の向上: 学習プロセスと損失関数を簡素化し、推論時間を患者あたり約 4 秒に短縮することで、臨床応用への道を開きました。
4. 異方性の克服: SAX 画像の異方性やスライス間のミスマッチを補正し、滑らかで解剖学的に妥当な 3D 形状を再構成できることを実証しました。

4. 結果 (Results)

評価は、高解像度の SAX 参照セグメンテーションが存在しないため、再構成された形状から 4 腔像（4CH）スライスを抽出し、CMRI の 4CH 参照セグメンテーションと比較して行われました。

• **定量的評価 **(4CH 再構成):
  • RV: Dice 係数 (DSC) 0.91 ± 0.07、ハウスドルフ距離 (HD) 6.21 ± 3.97 mm。
  • MYO: DSC 0.75 ± 0.13、HD 7.53 ± 5.13 mm。
  • 従来の SAX 画像から直接抽出したセグメンテーションと比較して、すべての指標（DSC, HD, HD95, ASSD）で有意に優れた性能を示しました（例：MYO の DSC は SAX 0.57 → 提案手法 0.75）。
• **一般化能力の評価 **(CTA 事前学習の検証):
  • CTA データから抽出した「等方的点雲」と「SAX 類似の異方性点雲」の両方から再構成を行った結果、両者の再構成精度に大きな差は見られませんでした。
  • これは、モデルが CTA で学習した形状の潜在空間が、低解像度・疎な入力に対しても頑健に機能し、高解像度の形状を補完できることを示しています。

5. 意義と結論 (Significance and Conclusion)

本研究は、低解像度で異方的な CMRI 画像から、高解像度かつ解剖学的に整合性の取れた心臓の 3D 形状を再構成するための革新的なアプローチを示しました。

• 技術的意義: 単一の隐含ニューラル表現で複数の心臓構造を学習し、CTA の高解像度事前知識を転移学習することで、データ効率と計算効率を両立させました。
• 臨床的意義: 心臓の形態と機能は各構造の相互作用に依存しているため、RV や MYO など複数の構造を同時にモデル化することは、より正確な心機能評価（容積、壁運動など）に寄与します。
• 将来展望: 心尖部や基部など CMRI カバレッジが限られる領域の精度向上、2 腔・3 腔像の追加、および心周期全体を通じた動的形状の再構成への展開が期待されます。

結論として、この手法は高解像度 CTA から学習した形状事前分布を活用し、低解像度 CMRI からの高精度な心臓形状再構成を可能にする実用的で効率的なフレームワークを提供しています。