CT-to-MRI Synthesis with Dual CycleGAN: Advancing Radiotherapy Planning in Brain Glioblastoma Multiform

あなたは、人間の頭の中にある謎を解こうとしている探偵だと想像してください。このために、あなたには2つの特別な懐中電灯があります。1つ目の懐中電灯は「CTスキャン」と呼ばれ、非常に高速で安価、かつ手軽に見つけることができるもので、頭蓋骨という硬い骨を非常に鮮明に映し出します。しかし、脳組織や腫瘍のような、柔らかくてぷにぷにしたものについては、少しぼやけてしまいます。2つ目の懐中電灯である「MRI」は、高精細なスローモーションカメラのようで、あらゆる微細な軟部組織の詳細を見ることができますが、高価で時間がかかり、金属インプラントがある人や狭い場所が苦手な人は使用できないこともあります。

長い間、医師たちは、速くてぼやけた光か、遅くて詳細な光かのどちらかを選ばなければなりませんでした。しかし、もしその速い光を使って、遅い詳細なものに「似た」画像を作り出すことができたらどうでしょう？ これが、この論文が探求している大きな問いです。この論文では、「CycleGAN」と呼ばれる一種の人工知能（AI）を使用しています。このAIは、両方の懐中電灯の写真を何千枚も学習した、非常に才能のある芸術家のようなものです。この芸術家は、速い懐中電灯による写真を受け取り、そこに足りない軟部組織の詳細を描き加えることで、一度も遅い方の写真（MRI）を撮ることなく、高品質なMRIのような見た目にする方法を学びます。これは、MRIを受けることができない患者さんのために、あるいはMRI装置が少ない場所において、医師ががん治療の計画を立てる助けになる可能性があるため、非常にエキサイティングなことです。

Mohamed O. F. Elzoghby氏率いる研究チームは、このアイデアを「膠芽腫（グリオブラストーマ：GBM）」という非常に攻撃的な脳腫瘍を持つ患者に対してテストすることに決めました。彼らは、自分たちのAI芸術家が、CTスキャンを合成T1強調MRIへと変換し、それが放射線治療の計画に役立つ程度に優れたものになるかどうかを確認したいと考えました。彼らは40人の患者からデータを収集しましたが、そこにはペアとなるスキャン（患者がCTとMRIの両方を持っている場合）と、ペアではないスキャン（スキャンが完全に同じタイミングで行われていない場合）の両方が含まれていました。彼らは「Dual CycleGAN」システムを構築しました。これは、AIにとっての「双方向の道」のようなものです。AIの一方の部分はCTをMRIに変えようとし、もう一方の部分は、その偽のMRIを再びCTに戻そうとします。AIが脳の形状を失うことなく行ったり来たりできるように強制することで、彼らは解剖学的な正確さを維持しようとしました。

彼らがこの創造物をテストした結果は、「悪くない」と「改善が必要」が混ざり合ったものでした。AIは、肉眼で見てかなりリアルに見える合成MRIを作成することに成功しました。脳室（脳内の液体で満たされた空間）や脳表面のひだといった主要なランドマークを、うまく再現できました。実際、合成画像は元のCTスキャンよりも優れた軟部組織のコントラストを示しており、灰白質と白質の区別をより容易にしていました。チームはいくつかの数学的ツールを用いてこれを測定しました。平均二乗誤差（MSE）は0.133 ± 0.017、ピーク信号対雑音比（PSNR）は15.3 ± 0.8 dB、構造的類似性指数（SSIM）は0.60 ± 0.03であることが分かりました。また、偽の画像が本物の画像とどれほど異なっているかを測るフレシェ・インセプション距離（FID）は154.4 ± 6.2、バイナリ精度は92.4 ± 0.6%でした。

しかし、この論文は、これが完璧な解決策であると呼ぶことには非常に慎重です。AIは全体像は捉えられたものの、微細なディテールについては苦戦しました。著者らは、腫瘍の縁（エッジ）が精度に欠け、微細な構造の詳細が本物のMRIと比較して鮮明さに欠けることを指摘しました。彼らは、このモデルはまだ臨床用のMRIに取って代わるものではないと明言しています。放射線の境界線を正確に捉える必要があるため、このモデル単独で最終的な治療決定を下すことはできません。論文は、現在のAIが「MRIが欠如している問題」を完全に解決できるという考えに異を唱えています。代わりに、彼らはこれを「概念実証（プルーフ・オブ・コンセプト）」のツールであると示唆しています。つまり、これらの画像を生成することは可能であることを示しており、資源の限られた環境におけるバックアッププランを提供できる可能性があるものの、病院で信頼されるためにはさらなる洗練が必要であるということです。

最終的に、チームは、彼らのDual CycleGANフレームワークは有望な一歩であると結論付けています。これは、手に入りやすいCTスキャンを使用して、MRIのように見える画像を生成し、軟部組織の視認性を向上させることができることを証明しています。しかし、著者たちが述べているように、これは単なる基礎に過ぎません。これを命を救うための真のツールにするためには、より多くの患者でテストし、より優れた3Dモデルを使用し、放射線の線量をより正確に計画するのに実際に役立つことを証明する必要があります。今のところ、これは、AIが「簡単に見ることができるもの」と「切実に知る必要があるもの」との間の溝を埋める助けとなるかもしれない、という未来への魅力的な展望なのです。