Towards the automated segmentation of epicardial and mediastinal fats: A multi-manufacturer approach using intersubject registration and random forest

技術サマリー：心外膜脂肪および縦隔脂肪の自動セグメンテーションに向けた取り組み

問題定義
心臓脂肪組織、特に心外膜脂肪と縦隔脂肪の定量化は、冠動脈石灰化、心房細動、頸動脈硬化などのさまざまな心血管リスク因子と相関するため、臨床的に重要である。一般的な体脂肪とは異なり、心臓脂肪は被験者の全体的な肥満度とは独立して変動するため、特定の定量的分析が必要となる。コンピュータ断層撮影（CT）は、MRI や心エコー検査と比較してこのタスクに対して優れた空間分解能を提供するが、手動セグメンテーションは観察者間および観察者内のばらつきに極めて脆弱である。既存の自動化または半自動化手法は、成功率が低い、ユーザーによる介入（制御点の配置など）を大きく必要とする、または異なる CT メーカー間で頑健性に欠けるという問題に直面している。本研究は、標準的な冠動脈石灰化スコアリング CT スキャンから、最小限のユーザー介入で心外膜脂肪と縦隔脂肪の両方をセグメントする、完全自動化かつ再現性のある手法の必要性に対処するものである。

手法
提案されたアプローチは、被験間画像登録と分類ベースのセグメンテーションという 2 つの主要な段階で構成される。

1. 被験間登録
   手動のランドマーク配置なしに、異なる患者およびメーカー（シーメンスとフィリップス）間の心臓の位置を標準化するため、著者は自律的な登録手法を開発した。

• アトラス構築：胸骨後部領域（胸骨の背後にある領域）のアトラスを、異なる患者から手動で整列された 10 枚の胸骨後部スライスの平均化によって作成し、脂肪強度範囲（0 HU 以上）に制限した。
• 認識：システムは、アトラスをスライドさせ、重み付き相互情報量（WMI）を用いて類似度スコアを計算することで、新しい患者スライス内の胸骨後部領域を特定する。
• ヒューリスティック確認：WMI の初期 70% の認識率を改善するため、ヒューリスティック確認手法を導入した。この手法は、脂肪貯留の連続性を確認することで位置を検証する。中央の長方形領域を定義し、左下と右下の方向に 2 点（$p_l$および$p_r$）を追跡する。得られた「結合」線が、画像幅に対する特定の幅、変位、距離の基準を満たす場合、位置は検証される。この組み合わせにより、認識成功率は 100% に向上した。
• 変換：胸骨後部の中心が特定されると、アフィン変換を適用して、患者のすべてのスライスを共通の中心点へ変換し、心臓の位置を正規化する。

2. 分類ベースのセグメンテーション
   登録に続いて、セグメンテーションは教師あり機械学習アプローチ（ピクセル分類）を用いて行われる。

• 正解データ：20 人の患者（1000 スライス）において、心外膜脂肪と縦隔脂肪を 2 人の専門家（物理学者とコンピュータサイエンティスト）が手動でセグメントし、正解データセットを作成した。
• 特徴量抽出：各ピクセルに対して、以下の要素を含む特徴ベクトルを構築した。
  • ピクセルのグレースレベル。
  • 絶対座標および重心に対する相対座標（$x, y, z$）。
  • 周囲のウィンドウ（例：25x25 ピクセル）から導出されたテクスチャベースの特徴量。これには、算術平均、共起行列のモーメント、幾何学的モーメント、ランパーセンテージ、グレースレベルの非一様性、および平滑変動係数（CSV）が含まれる。
• アルゴリズム選択：Weka ライブラリからのさまざまな分類器を評価した。J48Graft は高い精度を示したが、精度とセグメンテーションの疎性の間の最適なバランスとして、ランダムフォレストアルゴリズムが選択された。

主な貢献

• 完全自動化ワークフロー：この手法は、従来の半自動化アプローチにおける一般的なボトルネックであった手動制御点やランドマーク配置の必要性を排除する。
• 複数メーカーへの頑健性：このアプローチは、2 つの異なるメーカー（シーメンスとフィリップス）からの CT データで検証され、さまざまな取得プロトコルへの適応性を示した。
• 二重組織セグメンテーション：心外膜脂肪のみに焦点を当てた多くの先行研究とは異なり、この手法は心膜境界に基づいて区別しながら、心外膜脂肪と縦隔脂肪の両方を同時にセグメントする。
• 公開正解データ：著者は、手動でセグメントされた心臓 CT 画像と対応する特徴量データからなる公開データセットを提供し、この分野における標準化されたベンチマークの不足に対処した。

結果
この手法は、20 人の患者から得られた約 3 GB のデータセットを用いて評価された。性能評価には、66% 分割と 10 回交差検証のテストモードが使用された。

• 精度：心外膜脂肪および縦隔脂肪のセグメンテーションの平均精度は 98.4% であった。
• 真陽性率：平均真陽性率は 96.2% であった。
• ダイス類似度指数：平均ダイス類似度指数は 96.8% であった。
• 比較：既存の文献（例：Shahzad らのダイス 89.15%、Ding らのダイス 93.0%）と比較して、本研究はより高いダイススコア（66% 分割における心外膜脂肪で 97.9%）を達成し、100% の成功した自動セグメンテーション率（82/82 の事例）を記録した。一方、他の完全自動化手法はより低い成功率を報告するか、この指標を提供していなかった。

意義と限界
本論文は、被験間登録とランダムフォレスト分類の統合が、心臓脂肪の自動定量化に対する頑健な解決策を提供し、心臓 CT 試験の予後価値を高め、観察者間のばらつきを軽減する可能性があると主張している。著者は、ランダムフォレストアルゴリズムが、彼らの分析においてニューラルネットワークや他の関数ベースの分類器を上回ったと指摘している。

しかし、著者は控えめに重要な限界を認めている：処理時間である。標準的なパーソナルコンピュータ（デュアルコア、4GB RAM）において、このアルゴリズムは、広範な特徴量抽出と大規模なデータセットサイズのため、単一の患者を完全にセグメントするのに現在、数時間を要する。著者は、将来の研究は、最も重要な属性のみを選択するための広範な特徴量評価に焦点を当てるべきであり、それによりデータセットサイズを削減し、分類ステップを加速させるべきであると提案している。