深層学習で胎児心臓横紋筋腫を診断：超音波画像セグメンテーションの最前線

August 19, 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: Echocardiographic Image Segmentation for Diagnosing Fetal Cardiac Rhabdomyoma During Pregnancy Using Deep Learning
IEEE Access｜被引用数: 13（2026年8月19日時点）

妊娠中の胎児の心臓に発生するまれな腫瘍である胎児心臓横紋筋腫（FCRD）は、その診断が難しく、熟練した専門家の不足が課題となっています。この重要な課題に対し、最新の人工知能（AI）技術、特に深層学習（DL）が新たな解決策をもたらす可能性を秘めています。本記事では、超音波画像セグメンテーションに特化した独自の深層学習モデル「ARVNet」が、いかにしてFCRDの自動診断精度を劇的に向上させ、胎児医療に革命をもたらし得るかを探ります。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存の超音波画像データと深層学習技術を用いて、FCRDの自動診断が実現可能である。
Ethical倫理面	胎児診断の精度向上は対象者（妊婦とその家族）の不安軽減とより良い準備に寄与する。
Interesting面白さ	胎児期における心臓横紋筋腫の超音波画像からの自動セグメンテーションは新規性がある。
Novel新規性	超音波画像から胎児心臓横紋筋腫を自動抽出するアルゴリズムに関する最初の報告である。
Relevant切実さ	熟練した専門家不足という医療現場の課題解決に貢献し、胎児心臓疾患の診断精度向上に繋がる。
Measurable測定可能性	提案モデルの性能は、精度99.85%、特異度99.7%、Dice係数99.8%で評価され、高い数値を示した。
Modifiable派生・改善	V-NetにAttention-Residual Networkを統合し、ハイブリッド損失関数を用いることで既存手法を改良している。
Structured文章構造	論文は、明確な研究仮説、詳細な手法、厳密な実験結果、および今後の展望で構成されている。
PICO / PECO対象・介入・比較・結果	妊娠中の胎児（P）の心臓横紋筋腫診断（I）において、深層学習を用いた超音波画像セグメンテーション（C）が、従来の診断と比較して高い精度（O）を示す。

はじめに：胎児期心臓横紋筋腫診断の課題とAIの可能性

どうも、Beyond the Pixelです。妊娠中の胎児の健康は、未来の親にとって最大の関心事の一つです。特に、胎児心臓横紋筋腫（FCRD）のような心臓の異常は、まれではあるものの、胎児心臓腫瘍（FCT）の最も一般的な原因とされています。FCRDは、胎児の循環器系に影響を与える可能性があり、正確な診断と継続的なモニタリングが極めて重要です。しかし、この診断は熟練した超音波検査の専門家（ソノグラファー）の不足により、大きな課題を抱えています。熟練した専門家は限られており、心臓の自然な拍動変動や超音波画像のノイズ、アーティファクト、様々な視野の違いなど、診断の均一性を阻害する多くの要因が存在します。そのため、正確でタイムリーな診断を支援し、ヒューマンエラーによる誤診を防ぐための自動診断法の開発が強く求められています。この課題に対し、本研究は深層学習（DL）を用いた超音波画像セグメンテーション（医療画像セグメンテーション、MIS）によって、胎児心臓横紋筋腫の診断を自動化する新しいアプローチを提案しています。

研究仮説と提案手法：ARVNetによる自動診断

本研究では、コンピュータビジョンの最近の進歩が、超音波心臓診断の完全自動化かつスケーラブルな解析を可能にするという仮説を検証しました。これには、視野の特定、医療画像セグメンテーション、構造と機能の定量化、そしてFCRDの検出といった全てのステップが含まれます。FCRDは、右心室（FRRV）、左心室（FRLV）、右心房（FRRA）、左心房（FRLA）、三尖弁（FRTV）など、心臓の様々な部位に発生する可能性があります。研究対象の画像は、インドのSelvam病院で収集されたもので、横紋筋腫のない正常な状態（NC）の画像も含まれています。

心臓横紋筋腫の心臓腔セグメンテーションプロセスを自動化するため、研究者たちは新しい「Attention-Residual NetworkベースのV-Netアーキテクチャ」（ARVNet）を提案しました。このARVNetは、超音波画像からFCRDを自動的にセグメント化することを主要な目標としています。モジュール化されたこのモデルは、品質評価の機会を高め、複数の側面で大幅な改善を可能にします。これは、超音波画像からFCRDを抽出する最初の報告であるとされています。

データ収集の段階では、インドのタミル・ナードゥ州にある2つの総合病院で、胎児超音波心臓検査の専門知識を持つ2名の母体胎児専門家（シニア専門家）が画像品質評価に用いる主要な解剖学的要素を特定しました。妊娠18週から24週の女性から得られた超音波動画データが用いられ、GE Voluson E8超音波スキャナーで撮影されました。胎児心臓の正常および病理学的構造を子宮内で識別するために、横断研究分析が行われました。心疾患の解析に用いる横断的胎児心臓画像には、心室が明確に見える4CHビューが排他的に利用されました。

**Figure 1.** FIGURE 1. Identifying image annotations (IA) on a scan with Calipers, Icons, Text, and Profile Traces were among the IA.解説: スキャン画像上のキャリパー、アイコン、テキスト、プロファイルトレースなどの画像注釈（IA）が識別された状態を示しています。これらの注釈は通常、個人健康情報を含む可能性があります。

は、キャリパー、アイコン、テキスト、プロファイルトレースなどの画像注釈（IA）がスキャン画像上に識別された状態を示しています。これらの個人健康情報（PHI）を含む注釈は分析前に除去されました。

**Figure 2.** FIGURE 2. Removal of IA on a scan with a CRD diagnosis.解説: CRD診断スキャン画像から画像注釈（IA）が除去された状態を示しています。これにより、分析前に個人健康情報が保護され、画像がクリーンになります。

は、IAが除去された後のCRD診断スキャン画像を示しており、画像がクリーンに処理されていることがわかります。全ての画像は匿名化され、2名の専門家によって検証・注釈付けされ、人間のバイアスが排除されています。データセットは、FRRVが約134枚、FRLVが約158枚、FRRAが約164枚、FRLAが約103枚、FRTVが約78枚、そして正常な状態（NC）が約273枚の合計910枚の画像で構成されており、各クラスの80%がトレーニングセットに、残りがテストセットに用いられました。

ARVNetのアーキテクチャ

ARVNetは複数のAttention Networkを積み重ねて構築されています。各Attention Networkは、マスクブランチ（MB）とトランクブランチ（TB）の2つの部門で構成されます。TBは特徴処理を担当し、最新のネットワークアーキテクチャに適応可能です。本研究では、前活性化残差ユニット、ResNeXt、およびInceptionを基本的なARNユニットとして用いています。MBは、TBの出力「T(x)」から入力「x」への特徴量をソフトウェイトする同じサイズのマスクM(x)を学習します。

**Figure 3.** FIGURE 3. ARVNet architecture.解説: 提案されたARVNet（Attention-Residual NetworkベースのV-Net）アーキテクチャの全体像を示しています。エンコーダとデコーダのパス、およびAttentionブロックが組み込まれたU字型の構造が特徴です。

はARVNetのアーキテクチャの概要を示しています。これにより、迅速なフィードフォワードプロセスとフィードバックアテンションプロセスがモデル化されます。また、Attention ResNetの基本的なアプローチとして、出力マスクがHighway NetworkのTBのニューロンに対するゲートを制御します。

**Figure 4.** FIGURE 4. Attention ResNet.解説: Attention ResNetの構造を示しています。ソフトマスクブランチとトランクブランチから構成され、エンコーダとデコーダのフェーズを持つ残差ブロックを特徴としています。

はAttention ResNetの構造を示しており、ソフトマスクブランチとトランクブランチから構成され、エンコーダとデコーダのフェーズを持つことが特徴です。

提案されたV-Net手法は、圧縮パスと減圧パスの2つのセグメントに分かれています。圧縮パスでは、入力が元のサイズに戻るまで解像度を下げていきます。各段階は、畳み込み層（CL）を使用して構造化されており、残差関数を学習する能力があります。データの解像度は、畳み込み層とストライドを用いて最小化されます。プーリング層の代わりにCLを使用することで、ネットワークのメモリフットプリントを削減しつつ、より高解像度で入力を処理し、微細な詳細を検出して追加のコンテキストデータを収集することが可能になります。活性化関数（AF）には、「Scaled Exponential Linear Units（SELUs）」が用いられており、ニューラルネットワークの自己正規化を可能にします。

損失関数

医用画像ボリュームにおける各ボクセル（ピクセルに相当する3次元の最小単位）のクラスを予測することが主な目標であり、本研究では、以下の3つの損失関数が使用されています。

Cross-Entropy（CE）損失関数: ボクセルごとに各クラスの確率を割り当てる予測確率質量関数（PMF）を用いて計算されます。これは、多クラス問題において偽陽性（FP）と偽陰性（FN）の制御を可能にします。
Dice最適化関数: 画像分離精度を評価する上で主要な指標であるDice関数を使用します。しかし、従来のDice最適化アルゴリズムでは、FPとFN間のトレードオフを適切に管理することが困難であるという課題があります。
ハイブリッド損失関数: 損失関数は、Dice損失と修正されたCEの加重和として構成されます。Dice関数は入力クラス不均衡の問題、つまり広大な背景から小さなフレームを分類する問題を管理し、CEはFPとFN間のトレードオフを正規化し、軽量なトレーニングを適用します。このハイブリッド損失関数は、多クラスセグメンテーションに容易に適合し、ボリューム全体でFPとFNを直接制御できるという利点があります。

ARVNetを用いたCRDの局所化とセグメンテーション

まず、2D-ARVNetが導入され、冗長なデータを除去し、計算コストを削減し、より有用な情報を提供することで、関心領域（ROI）のセグメンテーションを行います。境界ボックスの特定が最初の段階の基本的な目標であり、CRD局所化のための関心領域を凝縮する「ベースライン」として使用されます。次に、3D-ARVNetが使用され、空間情報とボリューム情報を完全に統合した3Dモデルを構築します。このフレームワークは、低解像度データと高解像度データをブレンドして正確なセグメンテーションを作成します。3D-ARVNetは従来のU-Netと比較してパラメータ数が少なく、効率的なトレーニングが可能です。このモデルは、US画像から3D CRD確率パッチを順次作成するために使用されます。最終的なCRD領域は、3D連結成分ラベリングを用いて生成され、結合されたROI上で最も重要な成分が選択されます。

実験結果：ARVNetの優れた性能

提案されたARVNetモデルの性能は、精度、特異度、適合率、再現率、F1スコア、およびDice類似度係数（DSC）を用いて評価されました。

本研究の提案手法は、マルチタスク学習における最先端の4つのアプローチ（CNNベースのASD検出モデル、FCNベースのCHD検出モデル、Mask-RCNNベースのDLモデル、V-Netネットワークモデルベースの胎児頭蓋骨2D-CT画像セグメンテーション）と比較されました。には、提案されたARVNetモデルと他のモデルのパフォーマンスが示されています。ARVNetは、特異度とDice係数で平均0.99という高い値を達成しました。F1スコア、再現率、精度はそれぞれ0.98、0.97、0.99でした。

**Figure 5.** FIGURE 5. Comparison of the proposed vs other models as FCRD segmentation.解説: 提案モデルと他のモデル（V-Net, CNN, FCN, Mask-RCNN）のFCRDセグメンテーションにおける性能比較を棒グラフで示しています。各種性能指標（特異度, Dice係数, 精度, 適合率, 再現率, F1スコア）で比較されています。

では、提案モデルと他のモデルとのFCRDセグメンテーションにおける性能比較がグラフで示されており、ARVNetが既存の最先端のニューラルネットワーク（NN）よりも優れた性能を発揮していることがわかります。また、

**Figure 6.** FIGURE 6. (a)-(e): Comparison of detection error for the proposed model against other models.解説: 提案モデルと他のモデル（V-Net, CNN, FCN, Mask-RCNN）の5つのFCRDクラス（FRRV, FRLV, FRRA, FRLA, FRTV）に対する検出エラー率を比較した棒グラフ(a)～(e)を示しています。

(a)-(e)は、FRTV、FRLA、FRRA、FRLV、FRRVの5つのクラスにおけるFCRD予測について、提案モデルと他のモデルとの検出エラーの比較を示しており、ARVNetが他のモデルと比較してエラー率が低いことが視覚的に確認できます。

さらに、ARVNetはFocusnet++、ENNet、nnU-Netという3つの最先端アーキテクチャと比較されました。ARVNetは、精度、特異度、Dice係数、適合率、再現率、F1スコアの全ての指標で90%を上回る結果を出し、他のモデルを凌駕する性能を示しました（表3）。特に、ARVNetは平均精度99.7%、Dice係数99.8%を達成し、全てのビューで全てのクラスを検出できることを示しました。これにより、ARVNetモデルは4つの標準ビューにおいて全てのクラスを検出できることが実証されました。

モデルの解釈性：Grad-CAMによる可視化

訓練されたARVNetモデルの解釈能力を高めるため、Grad-CAM（Gradient-Weighted Class Activation Mapping）が用いられました。Grad-CAMは、モデルの予測に最も影響を与えた画像内の重要な要素を視覚的に文脈化する手法です。

**Figure 7.** FIGURE 7. Grad-CAM image of a FCRD case. The image’s area which had the most impact on the model’s prediction is highlighted in orange-red.解説: FCRD症例におけるGrad-CAM画像です。モデルの予測に最も大きな影響を与えた画像領域が、オレンジ色から赤色のヒートマップで強調表示されています。

はFCRD症例のGrad-CAM画像を示しており、画像内でモデルの予測に最も影響を与えた領域がオレンジ色から赤色で強調されています。これにより、モデルがどの領域を見て判断を下しているかを理解することができます。

**Figure 8.** FIGURE 8. Grad-CAM heat maps for some sample images from each class of test set.解説: 各テストセットクラスからのいくつかのサンプル画像に対するGrad-CAMヒートマップを示しています。これにより、モデルが画像内のどの領域に基づいて判断しているかが可視化されます。

には、各テストセットクラスからのサンプル画像に対するGrad-CAMヒートマップがいくつか示されています。これらのヒートマップは主にFCRDを強調していますが、中には三尖弁を横断して突出する三尖弁輪の横紋筋腫や、心膜腔内のFCRDが右心室を圧迫している事例で、局所化が不十分なケースも確認されました。

**Figure 9.** FIGURE 9. Exemplary GRAD-CAM heat map.解説: Grad-CAMヒートマップの具体例を示しています。正常な心臓のケースや、心膜腔内、右心室、三尖弁に横紋筋腫が見られるケースなど、異なる診断結果とそれに対応するモデルの活性化領域が示されています。

には、正常なケースや特定の場所（心膜腔内、右心室、三尖弁）にRhabdomyomaがあるケースのGrad-CAMヒートマップの具体例が示されています。

結論と今後の展望

本研究は、超音波画像から胎児心臓横紋筋腫（FCRD）を自動的にセグメント化するアルゴリズムの開発に成功しました。提案されたAttention-Residual NetworkベースのV-Net（ARVNet）アーキテクチャは、正常な心臓とFCRDの心臓の両方をセグメント化できることが示され、高い精度と再現率、Diceスコアを達成しています。これにより、画像が過剰または過少にセグメント化されていないことが示されました。本研究の性能結果は他のモデル研究よりも優れていますが、これまでのところ、このような研究プロジェクトは他に存在しません。提案システムは、820枚の画像からなるトレーニングデータセット（6つのクラス）を用いて開発され、独立したテストセットの実験により、FECD画像からFCRDを正確に識別できることが実証されました。これにより、FCRDの将来のAIベースの診断検査への道が開かれました。

今後の展望としては、モデルが最終的なFCRD検出に与える影響について、より詳細なアブレーション研究を実施することが理想的です。しかし、データラベリングにかかる高い計算コストのため、現在の独立したテストデータには、セグメンテーションの正解データがなく、画像ごとにFCRDのラベルしかありません。これは研究の限界として認識されており、今後の研究で対処するとともに、この研究の範囲を他の異常な状態にまで広げ、この分野に大きく貢献することを目指しています。さらに、本研究では病変のサイズに関するパラメータは考慮されておらず、将来の研究では病状の深刻な性質を診断するために、この点も検討することが重要となるでしょう。

用語集

胎児心臓横紋筋腫（FCRD）: 胎児期に心臓に発生する腫瘍の一種で、通常は良性ですが、胎児心臓腫瘍の中で最も一般的です。
胎児心臓腫瘍（FCT）: 胎児の心臓に発生する異常な細胞増殖の総称です。
医療画像セグメンテーション（MIS）: 医療画像内で特定の臓器や病変などの領域を識別し、分離する技術です。
心臓横紋筋腫（CRD）: 心臓の筋肉組織に発生する腫瘍で、乳幼児や小児に多く、結節性硬化症と関連することがあります。
ARVNet: Attention-Residual NetworkとV-Netアーキテクチャを組み合わせた、本研究で提案された深層学習モデルです。
超音波心臓診断（ECG）: 超音波を用いて心臓の構造と機能を画像化し、評価する検査方法です。
人工知能（AI）: 人間の知能を模倣したコンピュータシステムやプログラムです。
機械学習（ML）: データから学習し、明示的にプログラムされずにタスクを実行するAIの一分野です。
深層学習（DL）: 多層のニューラルネットワークを用いる機械学習の一分野で、複雑なパターン認識に優れます。
畳み込みニューラルネットワーク（CNN）: 画像認識やセグメンテーションに広く用いられる深層学習モデルの一種です。
V-Net: 3D医療画像セグメンテーションのために設計された、エンコーダ・デコーダ構造を持つニューラルネットワークです。
Dice係数: 画像セグメンテーションの精度を評価するための指標で、予測された領域と実際の領域の類似度を示します。
セグメンテーション: 画像内の異なるオブジェクトや領域をピクセル単位で区別する画像処理技術です。
Dice損失関数: 深層学習モデルのトレーニングに使用される損失関数の一つで、特にクラス間の不均衡があるセグメンテーションタスクに適しています。
Cross-Entropy損失: 分類タスクでよく使われる損失関数で、モデルの予測確率と実際のラベルとの間の差を測ります。
Grad-CAM: 深層学習モデルの決定が画像内のどの領域に基づいているかを視覚的に説明するための技術です。