RectoMap: a generalizable deep learning tool for rectal cancer and mesorectum MRI segmentation

技術要約：RectoMap – 直腸癌および直腸間膜のMRIセグメンテーションのための汎用的なディープラーニングツール

問題提起
T2強調MRIにおける直腸腫瘍および直腸間膜の正確なセグメンテーションは、局所進行直腸癌（LARC）における病期分類、治療計画（放射線療法および術前化学放射線療法を含む）、および外科的評価において極めて重要である。しかし、手動によるセグメンテーションは時間がかかり、術者の習熟度に依存し、観察者間のばらつきが生じやすい。ディープラーニングは自動化されたソリューションを提供するが、既存のモデルは分布外（OOD）への汎化性能に苦慮することが多い。具体的には、特定のスキャナーメーカーのデータで学習されたモデルを、取得プロトコル、磁場強度（1.5T対3T）、およびメーカー固有のバイアスが異なる未知のベンダーの画像に適用した場合、性能が著しく低下する。先行研究では、未知のスキャナーを用いたテスト時に性能が大幅に低下すること（例：DSCが0.77から0.59へ低下）が示されており、これが実世界のマルチベンダー環境における臨床応用を制限している。

手法
著者らは、アーキテクチャ、アンサンブル戦略、およびデータ拡張を体系的に評価することで、これらの汎化の課題に対処するために設計された、堅牢でオープンソースのディープラーニング・パイプラインであるRectoMapを開発した。

• データセット： 組織学的に確認されたLARC患者226名を対象とした、遡及的なマルチインスティテューショナル研究。このデータセットは高度に不均質であり、4つのベンダー（Siemens, Philips, GE, Hitachi）および1.5Tと3Tの両方の磁場強度を含む、19種類の異なるMRIスキャナーモデルからなるスキャンで構成されている。
• 実験デザイン： 以下の2つの評価設定を設定した：
  • 分布内（ID）： ランダム分割（学習用181例、テスト用45例）。テスト用のスキャナーは学習に含まれている。
  • 分布外（OOD）： Siemens、Toshiba、Philipsのデータ（163例）で学習し、未知のGEおよびHitachiのスキャナー（63例）でのみテストを行う。
• アーキテクチャ： 5分割交差検証を用いて、2つの補完的な3Dモデルを学習させた：
  • nnUNet： 自己構成型のCNNベースのフレームワーク。
  • U-MambaBot： 畳み込み層と長距離コンテキストのための状態空間モデリングを統合したハイブリッドアーキテクチャ。
• アンサンブル戦略： これら2つのアーキテクチャとその5つのフォールドからの予測を結合するための、4つの融合構成を評価した：
  1. アーキテクチャごとの平均化を行った後のSTAPLE。
  2. フォールドごとのベストモデル選択後のSTAPLE。
  3. 2段階STAPLE集約： 各アーキテクチャ内でSTAPLEを適用した後、その結果をSTAPLEで融合する。
  4. フルモデル集約： 全10個のモデル予測（5フォールド × 2アーキテクチャ）を単一のSTAPLEステップで融合する。
• データ拡張： 標準的な「ベース」拡張（デフォルトのnnUNet）と、拡張MRI特異的拡張スキームを比較した。拡張スキームには、バイアスフィールドの不均一性、動き、および強度の非線形性といった実世界のアーチファクトをシミュレートするために、TorchIOおよびGlobal Intensity Non-linear (GIN) 変形を組み込んだ。
• 指標： パフォーマンスは、Dice係数（DSC）および95パーセンタイル・ハウスドルフ距離（HD95）によって定量化された。

主な結果

• 分布内（ID）パフォーマンス：
  • 直腸癌については、**2段階STAPLE集約（構成3）**と拡張拡張の組み合わせが、最高平均DSC 0.767 ± 0.119を達成した。
  • 直腸間膜については、**フルモデル集約（構成4）**が最高のDSC 0.794 ± 0.131をもたらした。
  • MRI特異的な拡張は、直腸間膜のセグメンテーションを一貫して改善した。
• 分布外（OOD）パフォーマンス：
  • ベンダーの変化にもかかわらず、モデルは安定したクロスベンダー性能を示した。
  • 直腸癌： フルモデル集約（拡張拡張なし）により、DSC 0.798 ± 0.126を達成した。
  • 直腸間膜： フルモデル集約（拡張拡張あり）により、DSC 0.776 ± 0.161を達成した。
  • 特筆すべき点として、OOD設定における直腸腫瘍のセグメンテーション性能は、ID設定よりもわずかに高かった。これは、OODコホートにおける平均腫瘍体積が小さかったこと（形状が単純であったこと）に起因する。逆に、直腸間膜の性能は、コホート内の体積がより大きく変動的であったため、OODでわずかに低下した。
• 失敗分析： 定性的レビューにより、エラーは、小さな腫瘍や環状腫瘍、陥没した直腸腔（ゲルによる拡張の欠如）、および学習データにおいて過小評価されているスキャナーモデルの症例に集中していることが示された。

意義と貢献
本論文は、RectoMapを単なるベンチマーク演習ではなく、即時利用可能な汎用的な臨床ツールとして位置づけている。その主な貢献は以下の通りである：

1. ベンダーシフトへの堅牢性： マルチベンダーデータと特定の拡張戦略を活用することで、RectoMapは未知のスキャナーメーカー間でも高い性能を維持し、臨床展開における重要な障壁に対処している。
2. オープンソースの可用性： 本ツールは、事前学習済み重みと共に（GitLabで）公開されており、直接的な推論またはローカルデータセットへのファインチューニングが可能である。これにより、データが限られている施設でも信頼できるベースラインを提供できる。
3. 体系的な検証： 本研究は、アンサンブル戦略と拡張タイプの包括的な比較を提供し、構成3（2段階STAPLE）と拡張MRI特異的拡張の組み合わせが最も堅牢な設計であることを特定した。
4. 臨床的有用性： RTX 3090において1ボリュームあたり約82秒の推論時間を持ち、パイプラインは臨床ワークフローへの実用的な統合を想定して設計されている。

著者らは、RectoMapが堅牢な自動セグメンテーションに向けた重要な一歩であるものの、Siemensスキャナーに偏ったデータセットや、治療計画または患者のアウトカムへの直接的な影響に関する前向きな検証の欠如といった限界があることを結論付けている。今後の課題は、データセットの拡大、前向きな検証、および連合学習（Federated Learning）アプローチの統合である。