技術要約：強度ではなく形状へ – 脳動脈瘤検出における偽陽性削減のための方向性トポロジー符号化

1. 問題提起

CT血管造影（CTA）からの脳動脈瘤（IA）の自動検出は、現在、極めて高い偽陽性（FP）率によって阻害されている。深層学習モデル、特に畳み込みニューラルネットワーク（CNN）は、大きな病変に対しては高い感度を達成するが、臨床的に極めて重要な小型の動脈瘤（<3 mm）に対しては著しく苦戦し、その感度はしばしば60%を下回る。

特定された核心的な失敗モードは、幾何学的曖昧性である。標準的なモデルは、局所的な画素強度とテクスチャ統計に大きく依存している。CTAボリュームにおいて、真の嚢状動脈瘤と健康な血管分岐は、ほぼ同一の局所的強度分布を示す。その結果、モデルはこれらの構造を系統的に混同し、複雑な分岐交差を膨らんだ嚢（サック）として扱ってしまう。この限界は、ゴールドスタンダードであるデジタル減算血管造影（DSA）と比較して、CTA特有の空間解像度の低さや血管と背景のコントラストの低さによってさらに悪化する。既存の解決策は、外部検証、マルチインストルショナルなデータ、およびサイズ層別化された指標に欠けていることが多く、臨床展開において脆弱である。

2. 手法

著者らは、プラグアンドプレイ型のトポロジー認識偽陽性削減フレームワークを提案する。これは、既存の高感度候補生成器を置き換えるのではなく、局所的な強度ではなくグローバルな構造不変量に基づいて、真の動脈瘤と解剖学的に妥当な模倣物（ミミック）を識別するように設計されたダウンストリーム・フィルターとして機能する。

2.1. データおよび前処理

• データセット: 実験では、マルチインストルショナルな RSNA 2025 脳動脈瘤検出チャレンジ データセットから精選され、高度に層別化されたサブセットを利用する。
• コホート: 本研究はCTAボリュームに焦点を当て、約1,808スキャンで構成される。最終評価セットには、1,201個の動脈瘤陽性パッチと、以下の層別化された陰性クラスが含まれる：
  • ハードネガティブ: 3,576個のFrangiフィルタリングによる血管分岐（解剖学的に妥当な模倣物）。
  • ランダムハードネガティブ: 病変から離れた1,787個の高強度血管構造。
  • イージーネガティブ: 1,787個の背景組織サンプル。
• パッチ抽出: トポロジー認識抽出サンプリング（TAXS） 戦略を用い、64×64×64ボクセルのパッチを抽出する。陽性パッチは、専門家がアノテーションした重心（半径15 mm）にアンカーされており、陰性パッチは高感度生成器のFP分布を模倣するようにサンプリングされる。

2.2. トポロジー的特徴抽出

本フレームワークは、3Dスカラー場を機械学習可能なベクトルに変換するための、パーシステント・ホモロジー（PH） から派生した3つのベクトル化手法を評価する：

1. パーシステンス・イメージ（PI）: ガウスカーネルを用いて、パーシステンス図をユークリッド格子に投影する。
2. パーシステンス・ランドスケープ（PL）: 図をバナッハ空間における関数表現にマッピングする。
3. 平滑化オイラー特性変換（SECT）: 提案されている中核となる手法。

SECTのアプローチ:
PIやPLとは異なり、SECTは方向性トポロジー表現である。これは、親血管に対する動脈瘤の非対称な空間配置を捉える。

• メカニズム: 球面上の均一にサンプリングされた方向に沿って血管前景マスクをスイープすることにより、オイラー特性（EC）曲線を計算する。
• 平滑化: 生のEC曲線（区分的に定数）を平滑化および積分し、連続的な区分線形 平滑化オイラー特性（SEC） 曲線を作成する。
• フィルタリング: 正規化された強度場に対する超レベル集合フィルタリングを利用し、特に 第2ホモロジー群（H2） を分離する。この文脈において、H2特徴は3D強度の勾配トポロジーを符号化し、局所的な凸性の形態学的シグネチャとして機能する（管状の分岐と嚢状のドームを区別する）。
• パラメータ: 最終的な表現には、128方向、25のフィルタリングステップ、および$L_2$正規化を使用する。

3. 主な貢献

1. 方向性トポロジー符号化: 本論文は、脳血管造影へのSECTの適用を導入し、方向性を無視した要約よりも、方向性のある幾何学的構造を符号化することの方が、動脈瘤と分岐の識別において優れていることを実証した。
2. プラグアンドプレイ型FP削減: 本フレームワークは、既存のパイプラインのためのモジュール式フィルターとして設計されており、強度のプロファイルではなく、幾何学的な構造を符号化することで、嚢状の幾何学構造と分岐構造を混同するという特定の失敗モードに対処する。これは、検出ネットワークの完全な再学習を必要としない。
3. スキャナーの差異に対する堅牢性: 本研究は、4つの異なるスキャナーメーカー（Siemens, GE, Toshiba/Canon, Philips）にわたって手法を厳密にテストし、トポロジー的不変量が、強度プロファイルよりもハードウェア固有のアーティファクトに対して耐性があることを証明した。
4. 小型病変への焦点: 評価は、標準的なモデルの感度が急落する最も困難かつ臨床的に重要なサブセットである、<3 mmのコホートを明示的に対象としている。

4. 実験結果

4.1. 分類性能

ランダムフォレスト（RF）およびL1正則化線形サポートベクター分類器（L1-SVC）を用いた5分割交差検証を用いて：

• SECT: AUC 0.943（RF）および 0.931（L1-SVC）を達成した。
• ベースライン（PI/PL）: AUCが0.68付近に集まる中程度の性能を達成した。
• 結論: パフォーマンスの向上は表現に起因するものであり、分類器に依存するものではない。SECTは、特に高感度動作領域において、パーシステンスに基づく手法を一貫して上回った。

4.2. サイズ層別性能

SECTは、最も困難なケースにおいて卓越した能力を示した：

• 小型動脈瘤（<3 mm）: 厳格な95%特異度制約下で、AUC 0.943 と 78.5%の感度 を維持した。これは、強度ベースのモデルに見られる典型的な感度の崩壊（<60%）とは対照的である。
• 中型/大型動脈瘤: データセットのクラス不均衡と、固定された15 mmのパッチ半径による大きな病変の切り出しの可能性により、パフォーマンスはわずかに低下した（AUC ~0.86–0.91）。

4.3. インタースキャナーの堅牢性

Leave-One-Scanner-Out（LOGO） 検証において：

• SECTは、すべてのメーカー間で高い汎化性能を維持し、平均AUCは 0.927 であった。
• ケースによっては（例：GEおよびPhilipsのホールドアウトセット）、LOGOのパフォーマンスが検証内（within-scanner）のベースラインに匹敵するか、それを上回り、トポロジー的な決定境界が取得ドメインを効果的に転移することを確認した。

4.4. 混合ネガティブ分布

臨床的に現実的なネガティブの混合（Frangi分岐、ハードな血管構造、およびイージーな背景組織）に対してテストした際：

• SECTは堅牢な識別能を維持した（AUC 0.922）。
• 偽陽性分析: 本手法は、ハードな血管構造（FPR = 0.003）およびFrangi分岐（FPR = 0.024）をほぼ完璧に拒絶した。しかし、「イージー」な非血管背景組織に対しては、高いFPR（0.122）を示した。これは、偶発的なドーム状の組織断面によるものと考えられる。

5. 意義と主張

本論文は、脳動脈瘤検出における主要な構造的混乱要因は、強度ベースのモデルでは解決できない、動脈瘤と分岐の間の幾何学的曖昧性であると断じている。強度から「形状」へと焦点を移すことで、著者らは以下を主張している：

• 幾何学的曖昧性の解決: 方向性トポロジー表現（SECT）は、嚢状の突出と対称的な分岐の混同を確実に解決し、これは標準的なモデルが失敗するタスクである。
• 小型病変に対する臨床的生存性: 本フレームワークは、現在の自動スクリーニングにおける未充足のニーズである、3 mm未満の病変の検出を改善する経路を提供する。
• スキャナー非依存性: 生の画素値ではなく構造的不変量に依存することで、本手法は特定のスキャナーのキャリブレーションへの依存を軽減し、異なる病院システム間での汎用性を高める。
• 統合の可能性: SECTは、臨床採用を妨げているFP負担を軽減するために、ハイブリッド深層学習診断パイプラインへの強力なダウンストリーム・フィルターとして提示されている。

著者らは、推論時間（パッチあたり約11秒）の最適化が必要であること、および現在の評価がエンドツーエンドのパイプラインではなくパッチレベルであることなど、限界も認めている。それにもかかわらず、本研究は、自動動脈瘤検出を悩ませる特定の幾何学的混乱要因を解決するための、極めて効果的なツールとしてSECTを確立している。