心筋梗塞AI検出の新地平：心臓CTと心筋運動解析の融合

10月 27, 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: Myocardial infarction detection framework using cardiac motion estimation with deformable registration field
International Journal of Computer Assisted Radiology and Surgery｜被引用数: 0（2026年10月26日時点）

心血管疾患は依然として世界の主要な死因であり、その中でも心筋梗塞は異常な心筋運動を特徴とする重大な疾患です。正確な心筋梗塞の診断には、心臓の動きを詳細に分析することが不可欠ですが、この動きに基づく評価は専門家にとって時間と労力を要する大きな負担となっています。これまでの研究では、限られた局所的な動きの記述や形状特徴に依存することが多く、最適な検出性能が得られていませんでした。今回、ご紹介する研究では、これらの課題を克服するため、心臓CT画像から心筋梗塞を検出する新しいディープラーニングフレームワーク「MMMID（MambaMorph–Motion Infarction Detector）」を提案しています。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存の心臓CT画像を活用し、自動化されたAI分析により専門家の診断負担軽減に貢献可能。
Ethical倫理面	倫理委員会承認済みであり、対象者の個人情報保護に配慮している。
Interesting面白さ	構造情報と時系列的な心臓の動きを統合した、心筋梗塞検出の新しいディープラーニングフレームワーク。
Novel新規性	MambaMorphを用いた時系列変形可能レジストレーションを統合し、時空間的な心筋運動を詳細に解析する。
Relevant切実さ	世界的な死亡原因である心血管疾患の中でも重要な心筋梗塞の診断支援に貢献し、専門家の診断負担を軽減。
Measurable測定可能性	精度(Accuracy)、AUC、リコール(Recall)、F1スコアで分類性能を定量的に評価している。
Modifiable派生・改善	モジュール設計により、各コンポーネントの改善や臨床ワークフローへの統合が容易である。
Structured文章構造	目的、方法、結果、考察、結論が明確に記述された、学術的な構造。
PICO / PECO対象・介入・比較・結果	P:心筋梗塞の対象者、I:心臓CT画像と心筋の動きを統合したMMMID、C:従来の画像特徴量ベース手法、O:心筋梗塞の高精度検出。

はじめに：心筋梗塞診断の課題と新たなアプローチ

どうも、Beyond the Pixelです。心血管疾患は、世界中で最も多くの命を奪っている疾患の一つであり、その中でも心筋梗塞（心臓の筋肉の一部が壊死してしまう状態）は、異常な心筋（心臓の筋肉）の動きを特徴とする、非常に重要な疾患です。心筋梗塞の正確な診断には、心臓の動きを詳細に分析することが不可欠ですが、この「動きに基づく評価」は、専門家にとって多くの時間と労力を要し、大きな負担となっています。さらに、従来の多くの研究では、心臓の動きのごく一部や限られた形状特徴に焦点を当てていたため、十分な検出性能が得られていませんでした。本ブログでは、このような課題を解決するために、最新のディープラーニング（コンピューターが大量のデータから特徴を学習し、パターンを認識・分類する技術）を活用した新しいフレームワーク「MMMID（MambaMorph–Motion Infarction Detector）」をご紹介します。この研究は、心臓のCT画像から心筋梗塞を高精度に検出することを目指しており、心臓の解剖学的情報と、心臓が動く際の時系列的な動きの情報を組み合わせることで、より詳細な診断を可能にするものです。

MMMIDフレームワークの全貌

MMMIDフレームワークは、心臓CT画像から心筋梗塞を検出するために、以下の3つの主要なモジュールを統合した深層学習パイプラインです。1. セマンティックセグメンテーション（Semantic Segmentation）: 心臓の解剖学的構造（例えば、左心室や右心室、左心室心筋など）をCT画像から正確に識別する役割を担います。これにより、心筋の動きを追跡するための基礎情報が確立されます。この研究では、3D U-Net（医用画像セグメンテーションによく用いられるディープラーニングモデル）とModelsGenesis（多様な医用画像で事前学習されたモデルを他のタスクに適応させるための手法）を組み合わせて利用しています。2. 変形可能レジストレーション（Deformable Registration）: 心臓の各拍動フェーズ間（心臓が拡張するエンドダイアストールから収縮するエンドシストールまで）の動きを推定し、「変形場」と呼ばれる情報を生成します。このモジュールは、心筋のダイナミックな動きを明確に捉えることを可能にします。本研究では、MambaMorphという最先端のモデルを採用しています。3. 心筋梗塞検出: 上記2つのモジュールから得られた構造的特徴と動きの情報を統合し、心筋梗塞の有無を分類します。この分類モジュールには、DenseNet（すべての層が直接接続され、勾配消失問題を軽減するディープラーニングネットワーク）が用いられています。このフレームワークは、セマンティックセグメンテーションにより心臓の解剖学的領域を特定し、変形可能レジストレーションによって動きの場を推定し、これらを組み合わせて心筋梗塞を診断します（論文中の「Fig. 1 Overview of proposed method (MMMID)…」に相当）。このモジュール化された設計は、解釈性を高め、将来的な臨床ワークフローへの統合を容易にすると著者らは述べています。

心臓の動きを捉えるMambaMorphの力

心臓は複雑な非剛体変形（形が大きく変わる動き）をするため、その動きを正確に追跡することは非常に困難です。本研究の核となる変形可能レジストレーションモジュールでは、「MambaMorph」というモデルが採用されています。MambaMorphは、従来の学習ベースのレジストレーション手法（VoxelMorphやTransMorphなど）と比較して、特に長距離のシーケンスデータ（時系列画像データなど）を効率的に扱うことができる状態空間モデル（SSM）ベースのアーキテクチャを使用しています。これにより、空間的な文脈と時間的な一貫性の両方が重要な、ボクセル（3次元のピクセル）単位の心臓運動推定において、線形の計算複雑性で高速な処理が可能になります。MambaMorphは、心臓の各フェーズ間の変形場を推定し、セマンティックセグメンテーションで特定された心筋領域の動きを正確に追跡します。これにより、心臓の各拍動サイクルにおける異常な動きのパターンを詳細に分析することが可能となります。

心筋梗塞検出のためのDenseNet分類モジュール

MMMIDフレームワークの最終段階である心筋梗塞検出モジュールでは、DenseNet-121アーキテクチャ（MONAIという医用画像用オープンソースフレームワークで実装）が採用されています。このモジュールは、推定された変形場と元のCTボリュームの両方を入力として受け取ります。特に重要なのは、心臓の収縮期（エンドダイアストールからエンドシストールまで）における10%間隔で推定された一連の変形場（SeqMotion）を用いる点です。これは、単一の心臓の動きの画像だけでなく、時系列的な心臓の動きの変化を詳細に捉えることで、より豊富な情報を提供します。元のCTボリュームも組み込まれることで、心臓の静的な解剖学的情報も考慮されます。最終的に、MMMIDへの入力は、ペアとなるエンドダイアストールとエンドシストールのCTボリュームに、SeqMotionをチャネル次元で連結した多チャンネル3Dテンソルとなります。これにより、静的な解剖学的情報と動的な心筋運動パターンの両方を符号化し、心筋梗塞の有無を高精度に分類します。

研究の検証：データセットと評価方法

この研究では、共同研究医療施設から収集された独自の心臓CTデータセットが使用されました。4D心臓CTデータセットで、心筋運動解析に適した高時間分解能のボリュームシーケンスが一般的に限られているため、この内部データセットが用いられました。セグメンテーションモジュールは、520名の対象者データで訓練され、41名の対象者データでテストされました。レジストレーションモジュールは、392名の対象者データで訓練、84名でバリデーション、84名でテストされました。分類モジュールは、健常な対象者266例と心筋梗塞の対象者81例を含むデータセットで訓練されました。これは、2022年1月4日から12月27日の期間に収集された症例を反映しており、クラス分布は臨床的に利用可能な症例の自然な分布を反映しています。比較対象としては、LVSnake（超音波画像を用いた心筋梗塞検出手法を4D CT画像に応用）や、放射線画像特徴量（Radiomic feature、画像から抽出される形状やテクスチャの定量的特徴）に基づく分類アプローチが用いられました。

MMMIDの優れた性能

広範な実験の結果、MMMIDは心筋梗塞の検出において優れた性能を示しました。特に、精度（Accuracy）91.92%、AUC（Area Under the Curve、分類モデルの性能を示す指標の一つで、値が高いほど性能が良い）0.9335を達成しました。従来のLVSnakeや放射線画像特徴量に基づく手法と比較して、MMMIDは高い精度とリコール（Recall、陽性症例をどれだけ正しく検出できたかを示す指標）を達成し、F1スコア（精度とリコールのバランスを示す指標）も向上しました。これは、元のCTボリュームと時系列的な動きの情報を組み合わせた、フレームワーク全体の包括的な学習が心筋梗塞検出に有利であることを示唆しています。

**Table 1.** Table 1 Myocardial infarction classiﬁcation results解説: 心筋梗塞の分類結果を比較した表です。MMMIDは、LVSnakeや放射線画像特徴量と比較して、精度、リコール、F1スコアで最も高い性能を示し、AUCも高い値を示しています。

アブレーションスタディ（特定の要素を取り除いて性能への影響を評価する実験）では、時系列的な心筋運動情報（SeqMotion）が分類性能にどのように貢献するかを詳細に分析しました。その結果、エンドダイアストールからエンドシストールまでの単一の動きの場（Motion）だけでなく、心臓サイクル全体を通じた時系列的な動きの場（SeqMotion）を統合することで、分類精度が向上することが示されました。特に、リコールはCT画像のみの入力（CT-only）と比較して、CTとSeqMotionを組み合わせることで71.47%から77.65%に改善しました。これは、時系列的な動きの場が、特に梗塞症例に対する感度（陽性症例を正しく陽性と判断する能力）を向上させる補完的な診断情報を提供することを示唆しています。

**Table 2.** Table 2 Myocardial infarction classiﬁcation results of ablation study of MMMID’s input解説: MMMIDへの入力に関するアブレーションスタディの結果を示した表です。CT画像と時系列的な動きの場（CT+SeqMotion）を組み合わせた場合に、最も高い精度、リコール、F1スコアが得られています。

また、MambaMorphを用いた変形可能レジストレーションモジュールの評価では、Dice類似度係数（画像セグメンテーションやレジストレーションの精度を測る指標）において、VoxelMorphなどの他の手法と比較して高いトラッキング性能を示しました。専門家による評価でも、追跡精度は十分であると確認されています。これは、推定された動きの場がMMMIDパイプラインの入力として適切であることを裏付けています。

**Table 3.** Table 3 Dice similarity coefﬁcient of deformable registration for MambaMorph and VoxelMorph in left ventricle (LV), right ventricle (RV) and myocardium of left ventricle (MyoLV)**解説:** 変形可能レジストレーションにおけるMambaMorphとVoxelMorphのDice類似度係数を、左心室（LV）、右心室（RV）、左心室心筋（MyoLV）の各部位と心臓周期の各フェーズ（10%間隔）で比較した表です。MambaMorphはVoxelMorphよりも高いDiceスコアを示しています。

成功例の定性分析では、左心室の中央領域や心内膜境界に沿って動きの減少が観察され、モデルがこれらの動きの異常を効果的に捉えていることが示されました（

**Figure 3.** Fig. 3 CT slices with deformation ﬁelds from a myocardial infarc- tion (MI) detection success case. Green arrows indicate the inter-frame myocardial motion between adjacent cardiac phases. The panels cor- respond to end-diastole (ED, 0%), 10%, 20%, and 30% of the cardiac解説: 心筋梗塞の検出に成功した症例のCT画像と変形場を示します。緑色の矢印は、隣接する心臓周期フェーズ間の心筋の動きを表しています。各パネルは、エンドダイアストール（0%）、10%、20%、30%の心臓周期に対応し、中央領域の動きの減少が観察されます。

）。一方で、失敗例では、心臓の中央領域が比較的活発に動いており、モデルの推定を困難にした可能性が示唆されました。また、専門家の報告では、失敗例の心筋梗塞が心臓の下壁に局在しており、現在のCTスライスベースの入力設定では評価が難しい領域であることが指摘されています（

**Figure 4.** Fig. 4 CT slices with deformation ﬁelds from a myocardial infarc- tion (MI) detection failure case. Green arrows indicate the inter-frame myocardial motion between adjacent cardiac phases. The panels cor- respond to end-diastole (ED, 0%), 10%, 20%, and 30% of the cardiac解説: 心筋梗塞の検出に失敗した症例のCT画像と変形場を示します。緑色の矢印は、隣接する心臓周期フェーズ間の心筋の動きを表しています。各パネルは、エンドダイアストール（0%）、10%、20%、30%の心臓周期に対応し、心臓の中央領域で比較的活発な動きが観察されます。

）。

研究の限界と今後の展望

この研究は有望な結果を示していますが、いくつかの限界もあります。1. データセットの単一性: 使用されたデータセットは単一の医療施設から収集されたものであり、異なるスキャナーやプロトコル、対象者集団に対する汎用性は未確認です。今後の研究では、多施設データセットを用いた外部検証が不可欠です。2. データセットの不均衡: 分類データセットは心筋梗塞症例が健常症例よりも少なく、不均衡でした。層化5分割交差検証（データの偏りを考慮した検証方法）が用いられましたが、この不均衡を考慮して性能指標を解釈する必要があります。3. 比較の範囲: レジストレーション評価においてVoxelMorphとの比較は行われましたが、TransMorphなどの他の最新レジストレーションアーキテクチャとの体系的な比較や、変形の妥当性（滑らかさや折りたたみの評価など）の分析も引き続き必要です。4. モジュール間のエラー伝播: フレームワークの性能は、セグメンテーションとレジストレーションの品質に依存します。これらのモジュールでのエラーは、最終的な分類結果に影響を与える可能性があります。5. 病変の局所化: 現在の方法は症例レベルの分類であり、梗塞の正確な領域セグメンテーション（どの部分に梗塞があるかを示すこと）は提供されていません。詳細なアノテーション（専門家による正確なラベリング）が利用可能になれば、この点も今後の研究課題となります。今後の展望として、著者らは多施設データセットを用いた外部検証、代替のレジストレーションモデルや分類モデルとの体系的な比較、CTボリュームと動きの場の融合戦略の改善に焦点を当てるとしています。また、地域的な局所化や梗塞セグメンテーションの研究も進められるでしょう。最終的には、提案されたフレームワークが専門家の診断負担を軽減し、心臓CT分析における意思決定を改善できるかどうかを判断するために、前向き臨床評価が必要となります。

結論

本研究で提案されたMMMIDフレームワークは、心臓の解剖学的情報と推定された心筋運動情報を統合することで、心筋梗塞の検出において高い精度を示しました。特に、時系列的な心筋運動の詳細な分析が、心筋梗塞の正確な検出に重要な役割を果たすことが示唆されています。MMMIDは、心臓CT分析のサポートツールとして役立ち、医療ワークフローにおける動きに基づく評価の負担を軽減する可能性があります。このフレームワークは、機能情報と構造情報を組み合わせることで、心筋梗塞の検出感度を向上させる補完的な診断キューを提供します。今後の研究は、検出性能、特にリコールの改善、およびより高度で解釈可能な視覚化技術の開発に焦点を当て、臨床的有用性をさらに高めることを目指しています。

用語集

心筋梗塞: 心臓の筋肉の一部が壊死してしまう状態。異常な心筋運動を特徴とする。
心臓CT: 心臓とその周辺の血管を詳細に撮影するコンピュータ断層撮影（CT）検査。
ディープラーニング: 多層のニューラルネットワークを用いて、データから特徴を自動的に学習する機械学習の一種。
セマンティックセグメンテーション: 画像中の各ピクセルがどのカテゴリ（例：心臓、肺など）に属するかを識別する技術。
変形可能レジストレーション: 異なる画像間で、解剖学的構造の非剛体（変形を伴う）な対応関係を推定し、位置合わせを行う手法。
MambaMorph: 状態空間モデル（SSM）ベースのアーキテクチャを利用した、変形可能医用画像レジストレーションモデル。
DenseNet: ディープラーニングにおける畳み込みニューラルネットワークの一種で、すべての層が互いに直接接続されている特徴を持つ。
エンドダイアストール: 心臓の拡張期（血液を吸い込む時期）の終わりで、心臓が最も膨らんだ状態。
エンドシストール: 心臓の収縮期（血液を送り出す時期）の終わりで、心臓が最も縮んだ状態。
AUC: 分類モデルの性能評価指標の一つで、受信者動作特性（ROC）曲線の下面積。値が高いほどモデルの性能が良いことを示す。
リコール: 分類モデルの評価指標の一つで、実際に陽性である全症例のうち、モデルが正しく陽性と予測できた割合。感度とも呼ばれる。
放射線画像特徴量: 医用画像から抽出される、形状、テクスチャ、強度などの定量的な特徴のセット。
U-Net: 主に医用画像セグメンテーションに使用されるディープラーニングアーキテクチャ。エンコーダーとデコーダーで構成され、スキップ接続を持つ。
VoxelMorph: 深層学習を用いて医用画像の変形可能レジストレーションを行うフレームワークの一つ。
アブレーションスタディ: モデルやシステムの一部の要素を取り除いたり変更したりして、その要素が全体の性能にどのように影響するかを評価する実験手法。
Dice類似度係数: 2つのセグメンテーション結果（または画像）間の類似度を測定する指標。0から1までの値を取り、1に近いほど類似度が高い。