肺胞模擬ファントムを用いた肺換気機能予測モデルの開発

2022年度は、機械学習による肺換気機能予測モデルの開発を中心に行なった。CTVI生成モデルには、Conditional Generative Adversarial Networkによるpix2pixモデルを利用した。この初期モデルでは呼気位相のみを用いて肺換気機能画像を作成し、従来手法である画像変形技術を利用したCTVIと比較した。画像データはThe Cancer Imaging Archiveがウェブ上で公開している20症例の胸部4DCT画像を使用した。訓練画像には19症例の正解画像と呼気相のCT画像のペア画像を利用して学習を行なった。残りの1症例の呼気相のCT画像を学習済みモデルに入力しCTVI（CTVIres）を推論した。生成したCTVIresの精度は、CTVIrefとの類似度を評価するためにStructural Similarity（SSIM）、Normalized Mutual Information（NMI）、normalized cross correlation（NCC）を計算した。SSIM、NMI、NCCによる3つの指標による類似度評価では全スライスの平均でそれぞれ0.47±0.12、0.99±0.01、0.95±0.02となりSSIM以外のNMIとNCCで高い類似度が得られた。開発したGANを用いたCTVI予測モデルにより2つの画像のDIRから生成される指標を用いることなく、計画CT画像などの１つのCT画像のみからCTVIを作成できる可能性を示した。本研究は第14回度呼吸機能イメージング研究会学術大会及び第36回高精度放射線外部照射部会学術大会にて報告した。

2022年度は、機械学習による肺換気機能予測モデルの開発を中心に行なった。CTVI生成モデルには、Conditional Generative Adversarial Networkによるpix2pixモデルを利用した。この初期モデルでは呼気位相のみを用いて肺換気機能画像を作成し、従来手法である画像変形技術を利用したCTVIと比較した。画像データはThe Cancer Imaging Archiveがウェブ上で公開している20症例の胸部4DCT画像を使用した。訓練画像には19症例の正解画像と呼気相のCT画像のペア画像を利用して学習を行なった。残りの1症例の呼気相のCT画像を学習済みモデルに入力しCTVI（CTVIres）を推論した。生成したCTVIresの精度は、CTVIrefとの類似度を評価するためにStructural Similarity（SSIM）、Normalized Mutual Information（NMI）、normalized cross correlation（NCC）を計算した。SSIM、NMI、NCCによる3つの指標による類似度評価では全スライスの平均でそれぞれ0.47±0.12、0.99±0.01、0.95±0.02となりSSIM以外のNMIとNCCで高い類似度が得られた。開発したGANを用いたCTVI予測モデルにより2つの画像のDIRから生成される指標を用いることなく、計画CT画像などの１つのCT画像のみからCTVIを作成できる可能性を示した。本研究は第14回度呼吸機能イメージング研究会学術大会及び第36回高精度放射線外部照射部会学術大会にて報告した。