深層学習を用いた心拍出量予測およびそれに基づく造影CTプロトコルの最適化

点击翻译按钮获取中文摘要

昨年度は心臓CTの造影検査前に得られる患者情報（年齢・性別・身長・体重・CT検査時の心拍数・心胸郭比、患者の腹囲、収縮期血圧、拡張期血圧、脈圧）から、心係数を推定できるかどうかを後ろ向きに検討した。しかしながら精度は６８％と低かったため、今年度はCTの位置決め撮影で得られたスカウト画像に対して深層畳み込みニューラルネットワーク（DCNN）を用いてStroke volumeの推定を試みた。対象は、心機能解析のためにprospective scanにて1心拍撮影が施行された８７症例で、スカウト画像（正面および側面）と患者の心拍数、身長、体重を入力データとして使用し、１心拍分の心臓CTデータから算出されたStroke volume (mL) を回帰問題として推定するネットワーク構造を構築した。ネットワークはVGG１６をベースに構造探索を行って１４層のDCNN（畳み込み層１１層、全結合層３層）に最適化した。学習方法は、８７症例を１１グループに分けて、９グループを学習、１グループを検証、１グループを評価に使用し、グループ単位でleave one out法により、交差検証を行った。その後、Stroke volumeを３つのカテゴリー（< ６０mL、６０ - ９０mL、> ９０mL）に分類し、分類精度を検討した。測定されたStroke volumeの値とDCNNによって予測された値の間には、中程度の正の相関を認め（r = ０．４７５、p < ０．０５）。DCNNによる分類精度は７０．１％と前年度より向上したが、臨床での使用には不十分と考えられた。