深層学習による腫瘍構造を反映したホウ素濃度推定法の確立

本研究では，ホウ素中性子捕捉療法（BNCT）における“ホウ素濃度の最適化”と“患者への投与線量の低減”を目指し，腫瘍構造を反映したホウ素濃度推定法の確立を目的とする．ホウ素濃度の推定に向け，深層学習における数理モデルを腫瘍画像解析に組み合わせる．開発プロセスのマイルストーンとして，[1：MR画像から腫瘍領域の特徴量を抽出] - [2：超解像でPET画像を高解像化] - [3：腫瘍領域の特徴量とPET画像（高解像）を入力してSUVを出力] - [4：出力されたSUVを従来手法のSUVと比較して臨床的妥当性を評価] を設定する．エンドポイントは，“MR画像から抽出した腫瘍領域の特徴量”と“超解像したPET画像（高解像）”を入力して“腫瘍構造が反映されたSUV”を出力する数理モデルの構築であり，腫瘍構造を反映したホウ素濃度推定法を確立することにより，BNCTの治療成績向上を目指す．令和4年度は，[1：MR画像から腫瘍領域の特徴量を抽出]をマイルストーンに設定した．はじめに，Pythonを用いてU-netを実装し，MR画像から腫瘍領域を抽出するネットワークの構築に取り組んだ．次に，95名分のMR画像（T1強調画像・造影T1強調画像・FLAIR画像）をトレーニングデータとして学習を行った後，15名分のMR画像（T1強調画像・造影T1強調画像・FLAIR画像）をテストデータとして腫瘍領域抽出画像を出力した．最後に，テストで得られた腫瘍領域抽出画像の一致率をJaccard係数で評価し，腫瘍領域抽出画像の視覚的評価を行った．その結果，テストデータ（15名分）の一致率は5.31～60.0%であった．本研究の結果から，本研究で構築した腫瘍領域の抽出精度は高くなく，より高い精度で腫瘍領域を抽出するために課題を解決する必要がある．

本研究では，ホウ素中性子捕捉療法（BNCT）における“ホウ素濃度の最適化”と“患者への投与線量の低減”を目指し，腫瘍構造を反映したホウ素濃度推定法の確立を目的とする．ホウ素濃度の推定に向け，深層学習における数理モデルを腫瘍画像解析に組み合わせる．開発プロセスのマイルストーンとして，[1：MR画像から腫瘍領域の特徴量を抽出] - [2：超解像でPET画像を高解像化] - [3：腫瘍領域の特徴量とPET画像（高解像）を入力してSUVを出力] - [4：出力されたSUVを従来手法のSUVと比較して臨床的妥当性を評価] を設定する．エンドポイントは，“MR画像から抽出した腫瘍領域の特徴量”と“超解像したPET画像（高解像）”を入力して“腫瘍構造が反映されたSUV”を出力する数理モデルの構築であり，腫瘍構造を反映したホウ素濃度推定法を確立することにより，BNCTの治療成績向上を目指す．令和4年度は，[1：MR画像から腫瘍領域の特徴量を抽出]をマイルストーンに設定した．はじめに，Pythonを用いてU-netを実装し，MR画像から腫瘍領域を抽出するネットワークの構築に取り組んだ．次に，95名分のMR画像（T1強調画像・造影T1強調画像・FLAIR画像）をトレーニングデータとして学習を行った後，15名分のMR画像（T1強調画像・造影T1強調画像・FLAIR画像）をテストデータとして腫瘍領域抽出画像を出力した．最後に，テストで得られた腫瘍領域抽出画像の一致率をJaccard係数で評価し，腫瘍領域抽出画像の視覚的評価を行った．その結果，テストデータ（15名分）の一致率は5.31～60.0%であった．本研究の結果から，本研究で構築した腫瘍領域の抽出精度は高くなく，より高い精度で腫瘍領域を抽出するために課題を解決する必要がある．