腹部大動脈瘤の自動セグメンテーション：nnU-Netによる高精度解析の可能性

9月 6, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: Multi-centre Validation of Automated Outer-to-Outer Wall Segmentation of Infrarenal Abdominal Aortic Aneurysms Using a nnU-Net Based Model
Journal of Imaging Informatics in Medicine｜被引用数: 0（2026年9月6日時点）

腹部大動脈瘤（AAA）の評価と治療計画において、CT画像からの正確な外壁セグメンテーションは極めて重要です。しかし、この手動作業は膨大な時間を要し、日常的な臨床利用には課題がありました。本研究は、この課題に対し、オープンソースのnnU-Netモデルを用いた完全自動セグメンテーションが、手動セグメンテーションに匹敵する高い精度を、大幅な時間短縮とともに実現できることを、多施設共同研究で明らかにしました。

研究サマリー（FINER & PICO）

Feasible実施可能性	3つのオランダの医療施設から75人の連続するAAA対象者のデータを使用し、モデルの多施設での適用可能性を示した。
Ethical倫理面	既存の匿名化データを使用し、倫理委員会の承認を得て、遡及的性質によりインフォームドコンセント免除が許可された。
Interesting面白さ	手動セグメンテーションに匹敵する精度で時間を大幅に短縮し、臨床的・研究的効率向上への関心が高い。
Novel新規性	事前に学習されたオープンソースのnnU-Netモデルを用いた、連続した多施設コホートでの外壁セグメンテーションを検証した。
Relevant切実さ	AAAの評価とEVARの術前計画において、より再現性と効率性の高い解析方法を提供する。
Measurable測定可能性	Dice類似度係数、Jaccard指数、Hausdorff距離、表面距離、体積差などの多角的な定量的指標で性能を評価した。
Modifiable派生・改善	nnU-Netは自己設定型の深層学習フレームワークであり、新しいデータセットに自動的に適応可能である。
Structured文章構造	手動セグメンテーションは明確なプロトコルに基づき、自動セグメンテーションはnnU-Netフレームワークと後処理ステップを用いて比較した。
PICO / PECO対象・介入・比較・結果	AAA対象者(P)にnnU-Netベースの自動外壁セグメンテーション(I)を適用し、手動セグメンテーション(C)と比較して、精度と効率性を評価した(O)。

はじめに：AAA評価と手動セグメンテーションの課題

どうも、Beyond the Pixelです。腹部大動脈瘤（AAA）は、世界の多くの人々に影響を与える深刻な疾患です。その管理は、動脈瘤破裂の予防に重点が置かれており、特に血管内動脈瘤修復術（EVAR）が好ましい治療法として確立されています。EVARの術前計画においては、コンピューター断層撮影血管造影（CTA）画像を用いた正確な分析が不可欠です。しかし、既存のソフトウェアの多くは、動脈の内腔のみをセグメンテーション（画像から特定の領域を抽出する作業）するため、動脈壁や血栓、石灰化といった重要な情報が欠落する場合があります。これは、内壁から内壁までの直径と、外壁から外壁までの直径が大きく異なることがあるため、特に重要となります。動脈瘤の分類、治療適応、そしてステントグラフトのサイズ決定には、正確な外壁測定が求められるのです。現状、これらの外壁を正確にセグメンテーションするには、手動で行う必要があり、その作業は非常に時間がかかるため、日常的な臨床使用には非現実的でした。本研究は、この課題を解決するため、事前に学習済みのオープンソースのnnU-Netベースモデルを用いた、AAA対象者の腹部大動脈の完全自動外壁セグメンテーションの有効性を検証することを目的としています。

研究方法：多施設での検証と評価指標

本研究は、オランダの3つの医療施設から、EVARで治療された連続する75人のAAA対象者（各施設25人）の遡及的データを用いた多施設観察検証研究として実施されました。対象者には、EVAR術前のCTAスキャンが実施されています。手動セグメンテーションは、大動脈CTAセグメンテーションの経験が3年の専門家によって、オープンソースの画像処理プラットフォーム3D Slicerを用いて、定義されたプロトコルに従って行われました。75例のうち30例については、経験が5年の別の専門家が独立して手動セグメンテーションを行い、専門家間のばらつき（interobserver variability）を評価しました。自動セグメンテーションには、自己設定型の深層学習フレームワークであるnnU-Net v2を使用しました。このモデルは、以前報告された289人のAAA対象者のデータセットで、大動脈内腔と血栓マスクの専門家によるアノテーション付きCTAスキャンを用いて学習されています。このモデルは3D Slicerの拡張機能として実装され、各対象者のデータで推論が行われました。生成された内腔と血栓のセグメンテーションは結合され、完全な外壁セグメンテーションが作成されました。比較のために、手動および自動セグメンテーションの両方で、腹腔動脈の起始部から大動脈分岐部までの範囲でクリッピングが施されました。さらに、腎動脈下大動脈ネックのみの分析も個別に行われました。手動および自動セグメンテーションの比較には、ダイス類似度係数（DSC）、Jaccard指数、最大および95パーセンタイルハウズドルフ距離（HDmax、HD95）、平均表面距離、絶対的および相対的体積差などの複数のパラメータが用いられました。

**Figure 1.** Fig. 1 Manual and automatic aorta segmentation process, performed in 3D Slicer version 5.8.1[15]. The clipping step at the coeliac trunk origin and the aortic bifurcation is identical for the manually and解説: 手動および自動の大動脈セグメンテーションプロセスを示しています。CTAスキャンから手動またはnnU-Netによる自動セグメンテーションが行われ、最終的にクリッピングステップを経て、性能分析に用いられるセグメンテーションが生成されるまでの流れが図示されています。

これらのパラメータは、2人の専門家間のばらつきの評価、および腎動脈下ネックの自動対手動の合意度評価にも用いられています。対象者の特性とAAAの幾何学的形状の詳細は

**Table 1.** Table 1 Patient characteristics and abdominal aortic aneurysm geometry解説: 本研究に含まれる75人の対象者のベースライン特性と腹部大動脈瘤の幾何学的形状が示されています。年齢、性別、動脈瘤の種類、最大動脈瘤直径、屈曲度、ネック長、ネック血栓・石灰化の有無などのデータが含まれています。

に示されています。

画期的な結果：手動に匹敵する精度と大幅な時間短縮

本研究の主な発見は、自動セグメンテーションが手動セグメンテーションと非常に高い一致度を示したことです。全腹部大動脈のセグメンテーションにおいて、中央値のダイス類似度係数（DSC）は0.97（四分位範囲0.96～0.97）、中央値の95パーセンタイルハウズドルフ距離（HD95）は5.5（四分位範囲3.8～7.6）mmでした。平均体積バイアスは2.06 mlでした。

**Table 3.** Table 3 Agreement between manual and automatic aorta segmentations解説: 手動セグメンテーションと自動大動脈セグメンテーション間の合意度が示されています。DSC、Jaccard指数、Hausdorff距離、平均表面距離、絶対的および相対的体積差などのパラメータが記載されており、高い一致度が示されています。

この自動セグメンテーションの性能は、2人の専門家による手動セグメンテーション間のばらつきに匹敵しました（中央値DSC 0.96 [四分位範囲0.95～0.97]）。

**Table 2.** Table 2 Interobserver variability comparison including overlap, surface- based and volumetric parameter results解説: 2人の専門家間でのセグメンテーションの専門家間のばらつきに関する比較結果が示されています。DSC、Jaccard指数、Hausdorff距離、平均表面距離、絶対的および相対的体積差などの測定値が含まれており、高いセグメンテーションの一致度が確認されています。

専門家間の体積差の平均バイアスは14.82 mlでした。

**Figure 2.** Fig. 2 Bland-Altman plots comparing manual segmentation volumes (in ml) between two observers (A), and manual versus automatic seg- mentation volumes (B). The x-axis represents the mean volume of解説: 手動セグメンテーションの体積を2人の専門家間で比較したAのブロードマン・アトマンプロットと、手動と自動セグメンテーションの体積を比較したBのプロットです。x軸は両測定値の平均体積を、y軸は測定値間の差を示しており、専門家間のばらつきと、手動対自動の一致度を視覚的に示しています。

腎動脈下ネックのセグメンテーションについても、中央値DSC 0.95（四分位範囲0.93～0.96）、中央値HD95 1.1（四分位範囲0.9～1.5）mmと、全大動脈のセグメンテーション結果と同様の優れた一致度を達成しました。

**Table 4.** Table 4 Agreement between manual and automatic segmentations of the aortic neck only解説: 大動脈ネックのみの手動セグメンテーションと自動セグメンテーション間の合意度が示されています。全大動脈と同様に、DSC、Jaccard指数、Hausdorff距離、平均表面距離、絶対的および相対的体積差などの測定値が含まれており、高い一致度が達成されていることが示されています。

これらの結果は、本研究で観察された全体的に高いセグメンテーション性能を反映しています。

**Figure 3.** Fig. 3 Representative examples of automatic versus manual segmen- tations of the abdominal aorta, including a three-dimensional view, and an axial and sagittal view. Automatic segmentations are shown in blue, manual segmentations are shown in yellow, and green rep- resents segmentation overlap. Example 1 depicts typical agreement at the median DSC of 0.97, reflecting the overall high segmentation performance observed in this study. Examples 2 and 3 illustrate cases of suboptimal agreement arising from different failure modes. In解説: 腹部大動脈の自動対手動セグメンテーションの代表的な例を、3Dビュー、軸方向ビュー、矢状方向ビューで示しています。自動セグメンテーションは青色、手動セグメンテーションは黄色、重複部分は緑色で示されており、研究で観察された高いセグメンテーション性能を示す例や、最適ではなかった例が示されています。

さらに注目すべきは、時間コストの大幅な削減です。手動での外壁セグメンテーションには1人の対象者あたり約45～60分を要しましたが、専用のGPUを搭載したシステムでは、自動セグメンテーションは1スキャンあたり1分未満で完了しました。これは、自動セグメンテーションが臨床および研究現場でのAAA解析において、より再現性があり効率的なアプローチをサポートする可能性を示唆しています。

議論と臨床的意義：EVAR計画の未来を拓く

本研究は、オープンソースのnnU-Netモデルを用いた完全自動外壁大動脈セグメンテーションが実現可能であり、手動リファレンスセグメンテーションと優れた一致度を達成することを実証しました。この自動手法の性能は、手動セグメンテーション間の専門家間のばらつきに匹敵する一方で、セグメンテーションに必要な時間を大幅に短縮します。この結果は、EVARの術前計画および将来の研究において、外壁大動脈セグメンテーションをより容易に適用できるようにする可能性を秘めています。現代の臨床診療では、術前EVAR計画のために血管の画像処理ワークステーションが日常的に使用されていますが、これらは通常、大動脈の外壁を捕捉しない内腔セグメンテーションに依存しています。この限界は、適切なステントグラフトのサイズ決定に正確な寸法測定が不可欠な腎動脈下ネックの評価において特に重要です。本研究では、自動腎動脈下ネックセグメンテーションも手動セグメンテーションと優れた一致度を達成しました。血管内計画および監視ワークフローがますます自動化されるにつれて、内腔だけでなく血管壁全体を捕捉するセグメンテーション手法がますます重要になるでしょう。外壁セグメンテーションは、動脈瘤の成長監視や治療結果に関する追加情報を提供する可能性のある動脈瘤の体積分析も可能にします。本研究の知見は、AAA解析のためのnnU-Netベースのセグメンテーションモデルの堅牢性をさらに示しています。本研究は、選択バイアスのリスクを低減するために、連続した多施設コホートにおいて、腹腔動脈から大動脈分岐部までのより広い範囲の腹部大動脈の外壁セグメンテーションを検証した点で、これまでの研究と比較して優位性を持っています。

研究の限界と今後の展望

本研究にはいくつかの限界があります。第一に、遡及的デザインは固有の選択バイアスを導入する可能性がありますが、連続した対象者を含む多施設コホートを使用することで、この影響は軽減されています。第二に、学習済みのnnU-Netは内腔と血栓を個別にセグメンテーションできますが、本研究は結合された外壁セグメンテーションに焦点を当てており、内腔血栓や石灰化の個別セグメンテーションは含まれていません。第三に、本研究では大動脈の3Dマスクを比較しましたが、臨床的に関連する可能性のある動脈瘤直径などの幾何学的測定は推測していません。第四に、専門家間の合意度は自動対手動セグメンテーションの合意度に匹敵しましたが、専門家間に14.82 mlの系統的な体積バイアスが観察されました。これは、一方の専門家による大動脈外壁の輪郭設定がより保守的であったことを示唆しており、手動での外壁セグメンテーションにおける固有の主観性を浮き彫りにし、再現可能な自動アプローチの開発をさらに動機づけます。今後の研究では、臨床応用への移行をさらにサポートするために、専門家パネルによる性能評価に焦点を当てることができます。また、本研究は腹部大動脈のセグメンテーションに限定されていましたが、将来の研究では、提案されたアプローチを胸部大動脈に拡張することも探求できます。最終的に、信頼性の高い自動外壁セグメンテーションは、臨床診療および研究の両方で、より効率的で再現性の高いAAA解析を促進する可能性があります。

結論

本研究は、nnU-Netベースモデルを用いた腹部大動脈の完全自動外壁セグメンテーションが実現可能であり、連続した多施設対象者データセット全体で手動セグメンテーションと優れた一致度を達成することを示しました。自動化された手法の性能は、手動セグメンテーション間の専門家間のばらつきに匹敵し、セグメンテーションに必要な時間を大幅に短縮しました。これらの発見は、自動外壁セグメンテーションが、EVARの術前計画および将来の研究ワークフローにおける応用可能性を秘めており、より効率的で再現性の高いAAA解析をサポートする可能性を示唆しています。

用語集

腹部大動脈瘤 (AAA): 腹部の主要な血管である大動脈が異常に拡張した状態。
血管内動脈瘤修復術 (EVAR): 開腹せずにカテーテルを用いて動脈瘤内にステントグラフトを留置する治療法。
セグメンテーション: 医療画像から特定の臓器や病変の領域をデジタル的に抽出し、区別する画像処理技術。
nnU-Net: 様々な医療画像セグメンテーションタスクに自己設定して適応できる深層学習フレームワーク。
コンピューター断層撮影血管造影 (CTA): 造影剤を用いて血管を詳細に可視化するCT検査の一種。
ダイス類似度係数 (DSC): 2つのセグメンテーションがどれだけ重複しているかを示す指標で、1に近いほど一致度が高い。
ハウズドルフ距離 (HD95): 2つのセグメンテーションの表面間の最大距離を示す指標で、数値が小さいほど一致度が高い。
腎動脈下ネック: 腎動脈の分岐部より下流の大動脈の、動脈瘤に近接する部分。EVAR計画で特に重要。
専門家間のばらつき: 複数の専門家が同じ作業（例: 画像セグメンテーション）を行った場合に生じる結果の差。