頸動脈プラークの炎症をAIで高精度に検出：MSR-NetによるPET画像セグメンテーションの進化

10月 23, 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: Automated carotid artery atherosclerotic inflammation segmentation in PET using MSR-Net
Physics in Medicine and Biology｜被引用数: 0（2026年10月23日時点）

心筋梗塞や脳卒中の主要な原因である動脈硬化は、血管壁の炎症が進行する病態です。この炎症を高精度に画像化することは、早期診断と治療戦略に不可欠ですが、従来のPET画像診断では「部分容積効果（PVEs）」により信号がぼやけ、正確な評価が困難でした。この課題を克服するため、本ブログで紹介する画期的な研究は、リアルな合成PETデータを活用した新しい深層学習モデル「MSR-Net」を開発しました。このモデルは、炎症領域のセグメンテーション（識別）と放射性トレーサー取り込み量の定量化を自動化し、頸動脈プラークにおける炎症検出の精度を大幅に向上させることが期待されます。今回は、この革新的なアプローチとその研究成果を、専門家や科学ライターの視点からわかりやすく解説します。

研究サマリー（FINER & PICO）

Feasible実施可能性	高性能計算リソースと既存のPET/MRシステムを活用し、自動セグメンテーションと定量化の手法を実証可能。
Ethical倫理面	シミュレーションデータを活用することで、動物や対象者の負担を軽減し、倫理的に妥当な研究デザインを構築。
Interesting面白さ	動脈硬化性炎症の早期かつ高精度な検出は、心血管疾患の診断と個別化医療に貢献し興味深い。
Novel新規性	高解像度MRとGATEシミュレーションを組み合わせ、組織画分効果を考慮したPET炎症の自動セグメンテーションは新規性がある。
Relevant切実さ	心筋梗塞や脳卒中の主要原因である動脈硬化性疾患のリスク評価を改善し、臨床的に高い関連性を持つ。
Measurable測定可能性	DSC、HD、ENRMSE、補正済みSUVを用いて、セグメンテーション精度と取り込み量定量化の性能を厳密に評価。
Modifiable派生・改善	2段階ネットワークとMSRバックボーンはモジュール化されており、将来的なアルゴリズム改善や他の疾患への応用が容易。
Structured文章構造	シミュレーションデータ生成、MSR-Net設計、厳密な性能評価、および予備的な対象者データ検証と段階的に構造化されている。
PICO / PECO対象・介入・比較・結果	P:頸動脈動脈硬化性炎症, I:MSR-Netを用いた64Cu-CANF-comb PETセグメンテーション, C:従来のDL手法やYang補正, O:炎症領域のセグメンテーション精度と取り込み量定量化の向上。

はじめに：動脈硬化と炎症検出の課題

どうも、Beyond the Pixelです。心筋梗塞や脳卒中の根底にある動脈硬化は、世界的な死亡原因のトップである冠動脈疾患の主要な要因です。特に、頸動脈における動脈硬化性プラークの炎症は、プラークの進行、破裂、そして脳虚血や脳卒中につながる血栓形成に寄与することが近年の研究で示されています。

**Figure 5.** Figure 5: Focal radiotracer uptake on PET and corresponding carotid plaque-component segmen- tation on MR images for three representative cases. The MR images are displayed at the same image scale for direct visual comparison. The MR plaque-component segmentation was generated using the previously published two-stage multi-weighted MRI method of Li et al. (2023). In the plaque segmentation, green indicates fresh hemorrhage within 10 days, and red indicates old hemorrhage over 10 days. The mean SUV is measured and shown in the figure.解説: PET画像における局所的な放射性トレーサー取り込み（上段）と、対応するMR画像での頸動脈プラーク組成セグメンテーション（下段）を示しています。PETの高取り込み領域が、MR画像で出血（赤：古い出血、緑：新しい出血）として識別された領域と共存していることが視覚的に確認できます。

CTやMRIのような非侵襲的画像診断法は、頸動脈プラークによる狭窄の評価や、プラークの組成や脆弱性に関する情報提供に役立ちますが、炎症に関連する分子情報を直接検出することはできません。過去には、18F-FDG PETが動脈硬化性プラークの生体内炎症識別に用いられてきましたが、FDG PETは代謝活性の増加したあらゆる領域にシグナルを示すため、炎症に対する特異性が低いという課題がありました。近年では、64Cu-CANF-combというナノ粒子を用いたPET画像診断が、FDGトレーサーと比較して炎症のより特異的なバイオマーカーとして期待されています。しかし、PET画像における炎症の正確な検出と取り込み量の定量化は、空間分解能の限界に起因する部分容積効果（PVEs）によって困難を伴います。PVEsは、高取り込み領域（例えば、血流プール）からの信号が隣接する低取り込み領域（血管壁内）へ漏れ出すスピルオーバー効果や、炎症部位からの信号が画像上でぼやけるスピルアウト効果などを含みます。これらの効果は、手動での関心領域（ROI）の初期設定や輪郭の精密化に多くの専門家の労力を要し、パラメータ設定への高い感度や、MR画像との正確なアライメントへの依存性など、いくつかの欠点がありました。近年、深層学習（DL）は医用画像セグメンテーションにおいて大きな可能性を示していますが、これらの手法は通常、手動で作成された「ゴールデンスタンダード」に依存しており、これは時間と労力がかかる上に、PVEsの影響下では専門家間のばらつきが生じやすいという問題があります。本研究は、これらの課題に対処するため、PVEsと組織画分効果を考慮しながら、64Cu-CANF-comb PETにおける頸動脈動脈硬化性炎症のセグメンテーションと取り込み量定量化を自動化する新しい深層学習フレームワークを開発しました。このアプローチは、手動によるPETアノテーションへの依存を減らし、小さな構造における取り込み量定量化の精度を向上させ、頸動脈PET分析のための自動化されたワークフローを提供することを目指しています。

革新的なMSR-Netによる自動検出手法

本研究で提案された手法は、深層学習（DL）と高度なシミュレーション技術を組み合わせることで、頸動脈プラークの炎症を高精度に自動検出することを目指しています。このフレームワークは、リアルな合成PETデータを生成するパイプラインと、それを活用した2段階のニューラルネットワークで構成されています。### 現実に近いPETデータのシミュレーションDLモデルのトレーニングにおいて、実際の炎症領域の正確なグラウンドトゥルースデータ（真値）を得ることは、PETの低い空間分解能によって非常に困難です。この課題を解決するため、著者らは詳細なデータシミュレーションパイプラインを開発しました。まず、高解像度のMR画像から血管壁の輪郭が抽出され、炎症領域がない高解像度の背景放射能マップが作成されます。次に、対象者群の統計分析に基づいて、ランダムな形状、サイズ、放射能濃度を持つ合成炎症領域が血管壁内に挿入されます。これにより、炎症と背景のコントラストが多様な合成データセットが作成されます。この高解像度アクティビティマップ（HRM）は、GATEモンテカルロシミュレーションを通じて、実際のPET物理プロセス（陽電子スペクトル、消滅非共線性、光子減弱・散乱、検出器相互作用など）を考慮したリアルなPET画像に変換されます。シミュレーションには、実際の対象者スキャンで使用されたSiemens Biograph mMR PET/MRIシステムを仮想的に再現したモデルが使用されました。

**Table 1.** Table 1: Geometry and detector-response settings of the Biograph mMR model implemented in GATE. The published mMR characterization is cited for system context (Delso et al., 2011).解説: GATEモンテカルロシミュレーションに実装されたBiograph mMRモデルの幾何学的および検出器応答設定のパラメータと値を示しています。結晶材料、結晶寸法、検出器リング直径、エネルギー分解能などの詳細が記載されています。

重要な点として、このフレームワークでは、再構成されたPETボクセル内の炎症が占める画分体積をグラウンドトゥルースとして定義しています。この「画分体積」は、高解像度炎症ボクセルの体積をPETボクセルの体積で割った値であり、0から1の連続値を取ります。これにより、トレーニングの目標が絶対的な放射能濃度ではなく、純粋な組織占有率となり、PVEsの両方の発生源（PETシステムの空間分解能限界と個々のPETボクセル内の組織画分効果）をモデル化できます。

**Figure 1.** Figure 1: Representative simulation example: (a) high-resolution uptake map with a simulated high-uptake region within the vessel wall (left column) and (b) the corresponding synthetic PET image (right column).解説: 高解像度アクティビティマップ（a）とそれに対応する合成PET画像（b）のシミュレーション例を示しています。血管壁内にシミュレートされた高取り込み領域が示されており、PET画像では部分容積効果によりぼやけて表示されていることがわかります。

2段階ニューラルネットワークとMSRバックボーン本研究で提案されたMSR-Netは、セグメンテーションと取り込み量定量化の性能を向上させるために、二つの主要な貢献を持つ2段階のニューラルネットワーク構造を採用しています。

**Figure 2.** Figure 2: Structure of neural network.解説: 提案するニューラルネットワークの全体構造を示しています。UNetベースのエンコーダー・デコーダー構造を持ち、多重スケール入力とMSR（多重スケール残差）ブロックが組み込まれています。異なるスケールの特徴を抽出し、より効果的なセグメンテーションを実現します。

第1段階では、T1強調MR画像を入力とし、血管壁のバイナリマスクを予測します。このマスクは、スピルオーバー効果やPETとMRの位置ずれを考慮し、元のサイズの約4倍に形態学的に拡張されます。この拡張が最適なセグメンテーションと定量化性能を提供することが確認されています。第2段階では、このマスクをPET画像に適用し、ボクセルごとの連続的な炎症画分体積を推定します。この2段階設計により、MR画像に基づく解剖学的局所化タスクと、シミュレーションに基づく画分体積推定タスクを分離して訓練することが可能になります。ネットワークのアーキテクチャはU-Netをベースにしており、多重スケールの入力を持つ6つのエンコーダーブロックとデコーダーで構成されています。特に注目すべきは、特徴抽出のために設計されたカスタムの「多重スケール残差（MSR）ブロック」です。

**Figure 3.** Figure 3: (a) Structure of MSR; (b) Structure of Mid-focus Residual Block; (c) Structure of Wide- focus Residual Block; (d) Structure of Residual Block; (e) Structure of double convolution.解説: MSR（多重スケール残差）ブロックの詳細な構造を示しています。異なる受容野を持つ複数の残差ブランチ（Mid-focus、Wide-focus、標準残差）とダブル畳み込みブランチが並列に動作し、多様な特徴を抽出して融合します。

MSRブロックは、広範囲および中範囲の拡張残差ブランチ、3つの標準残差ブランチ、および並列に動作するダブル畳み込みブランチを組み合わせたものです。これにより、異なる受容野を持つブランチが局所的な特徴と、広範なスピルオーバー/背景パターンを並行して表現できます。加算ベースの融合は、チャンネル次元を増やさずにこれらのブランチを組み合わせることで、パラメータの増加を抑える効果があります。このMSRバックボーンは、細く高コントラストな頸動脈壁内の炎症を高精度に検出するために、特に部分容積効果の影響を受けやすい小さな構造での取り込み量定量化を改善することを目的としています。

研究デザインと評価

この研究では、合計45名の対象者からPET/MRスキャンデータが収集されました。そのうち23名の良質なPET画像データから、提案するPETシミュレーションパイプラインを用いて、合計1184枚の合成PETスライスが生成されました。これらのデータは、深層学習モデルの開発と評価に使用されました。### シミュレーションPET画像のリアリズム評価合成PET画像のリアリズムを評価するため、経験豊富な核医学専門家5名による「2択強制選択（2AFC）」研究が実施されました。各専門家は、実際の対象者PET画像と合成PET画像のペアを20組提示され、どちらが「本物」であるかを識別し、その判断に対する確信度を5段階で評価しました。もし専門家が現実と合成画像を信頼性高く区別できない場合、正答率は50%に近づくと解釈されます。

**Table 2.** Table 2: Performance in the subjective realism evaluation解説: 主観的なリアリズム評価における各専門家（核医学専門家）のパフォーマンスを示しています。正答率と中央値の確信度を記載しており、平均正答率は54%でした。

ネットワークトレーニングと評価MSR-Netのトレーニングは2段階に分けて行われました。まず、第1段階では、18名の対象者から得られたT1強調MR画像250枚と、手動でアノテーションされた血管壁のグラウンドトゥルースデータが使用され、データ拡張（拡大縮小、回転、平行移動、反転）により1000枚に増やされました。第2段階では、同じ18名の対象者から生成された1000枚の合成PETスライスがトレーニングに用いられました。残りの5名の対象者からのデータは、モデルの性能評価用に確保されました。両段階とも、交差検証、ドロップアウト、早期停止が過学習を防ぐために適用されました。損失関数には、血管壁セグメンテーションにはバイナリグラウンドトゥルースと予測確率の間の交差エントロピー損失が、炎症画分推定には連続的な画分体積の推定損失として同じく交差エントロピー損失が用いられました。提案手法の炎症セグメンテーション性能を評価するため、Dice類似係数（DSC）とHausdorff距離（HD）という従来の指標が使用されました。DSCは空間的重なりの度合いを、HDは輪郭の類似性をそれぞれ示します。炎症取り込み量の定量化性能については、予測された取り込み量とグラウンドトゥルースの取り込み量との誤差を評価するアンサンブル正規化二乗平均平方根誤差（ENRMSE）が用いられました。比較対象としては、U-Net、Transformer U-Net、DUCK-Netといった一般的な深層学習モデルに加え、部分容積効果補正の従来手法であるiterative Yang補正も評価されました。### 実際の対象者データでの定量的分析さらに、7名の対象者から得られた64Cu-CANF-comb PET/MRデータを用いた予備的なパイロット研究も実施されました。PET画像はMR画像と位置合わせされ、提案するネットワークの第1段階で血管壁マスクが生成されました。このマスクをPET画像に適用し、第2段階で炎症のボクセルごとの画分マップが推定されました。この画分マップを用いてSUV（標準化取り込み値）を補正し、炎症取り込み量をより正確に定量化しました。また、MR画像から抽出された脂質に富む壊死性コア（LR/NC）やプラーク内出血の割合と、補正済みSUVとの関連性を線形混合効果モデルで分析しました。

重要な研究結果

本研究で得られた主要な結果は、提案するMSR-Netが頸動脈プラークの炎症セグメンテーションと取り込み量定量化において、優れた性能を示すことを裏付けています。### シミュレーションPET画像のリアリズム核医学専門家5名が参加した2択強制選択（2AFC）研究の結果、専門家が現実のPET画像と合成PET画像を区別できた精度は平均54%でした。これは統計的に偶然と有意な差はなく（p=0.48）、専門家が両者を信頼性高く区別することが困難であったことを示唆しています。（表2）この結果は、本研究で生成された合成PET画像が、人間の専門家が視覚的に区別できないほど高いリアリズムを持っていることを示しています。### 炎症セグメンテーションの性能提案手法は、炎症と背景のコントラストが異なるすべての範囲において、Dice類似係数（DSC）とHausdorff距離（HD）の両方で既存のベースライン深層学習手法を上回る結果を示しました。

**Figure 4.** Figure 4: Three representative results corresponding to different contrast ranges using proposed method and the other three DL algorithms. From top to bottom row corresponding to: Contrast = 0.83(low), 1.27(medium), and 1.74(high), respectively.解説: コントラストの異なる範囲（低、中、高）における、提案手法および他の3つの深層学習アルゴリズム（U-Net、Trans U-Net、DUCK-Net）を用いた代表的なセグメンテーション結果を示しています。Ground Truth（水色）とPrediction（青色）の輪郭が比較されています。

具体的には、提案手法の加重平均DSCは0.79であり、DUCK-Netの0.75、U-Netの0.73、Transformer U-Netの0.69と比較して最も高い値を示しました。境界の精度を示すHDでは、提案手法の加重平均は1.85ボクセルであり、DUCK-Net（2.23ボクセル）、U-Net（2.29ボクセル）、Transformer U-Net（2.32ボクセル）よりも低い値、すなわち高精度を示しました。対象者クラスターブートストラップ比較では、提案手法がDSCおよびHDにおいて、これら3つのベースラインすべてに対して優位性を持つことが示されました（Holm補正p ≤ 0.031）。### トレーサー取り込み量の定量化性能炎症取り込み量の定量化タスクにおいても、提案手法は優れた性能を発揮しました。すべてのコントラスト範囲で、提案手法は最も低いアンサンブル正規化二乗平均平方根誤差（ENRMSE）値を示しました。

**Table 4.** Table 4: ENRMSE of the proposed method compared with three DL approaches by inflammation- to-background contrast. Values are reported with 95% confidence intervals. Overall ENRMSE is calculated by pooling the squared normalized errors across all test slices before taking the root mean square, rather than by averaging subgroup ENRMSE values.解説: 炎症と背景のコントラストが異なる範囲における、提案手法と3つの深層学習手法（U-Net、Transformer U-Net、DUCK-Net）のENRMSE（アンサンブル正規化二乗平均平方根誤差）を比較した表です。提案手法がすべての範囲で最も低いENRMSEを示しています。

全体ENRMSEは提案手法で0.24であり、U-Net（0.59）、Transformer U-Net（0.68）、DUCK-Net（0.59）と比較して大幅な改善が見られました。また、従来のPVE補正手法であるiterative Yang補正と比較しても、提案手法は全体ENRMSEで0.24を達成し、iterative Yangの0.57を大きく下回りました。

**Table 7.** Table 7: Comparison of uptake-quantification error between iterative Yang partial-volume correc- tion and the proposed tissue-fraction estimation method. Values are ENRMSE; lower values indicate more accurate uptake quantification. The overall value is calculated from the pooled squared nor- malized errors across the 32, 98 and 54 test slices in the three contrast intervals, respectively.解説: iterative Yang部分容積補正と提案する組織画分推定法の取り込み量定量化誤差（ENRMSE）の比較を示しています。提案手法がiterative Yangよりも低いENRMSE値を示し、より正確な定量化を達成していることがわかります。

特に低コントラスト領域での差が顕著でした。### アブレーション研究と設計感度MSRブロックを構成する個々の要素（ダブル畳み込み、標準残差、拡張残差）の貢献を評価するアブレーション研究では、全てのMSR構成要素を組み合わせた完全なMSR構成が最も高いDSC（0.79）、最も低いHD（1.85ボクセル）、および最も低いENRMSE（0.24）を達成しました。

**Table 5.** Table 5: Ablation results for MSR branch composition. DSC and HD are reported as mean; ENRMSE is reported as a point estimate. Parameter counts were obtained from the implemented PyTorch models.解説: MSRブロックの各ブランチ構成におけるアブレーション研究の結果を示しています。DSC、HD、ENRMSE、パラメータ数（M）が比較されており、完全なMSR構成が最も優れた性能を示しています。

これは、各ブランチグループが相補的な貢献をしていることを示唆しています。また、血管壁マスクの形態学的拡張係数は、元のマスクサイズの4倍が最適なセグメンテーションと取り込み量定量化性能を提供することが示されました。連続的な画分出力をバイナリマスクに変換する際の二値化閾値は、0.5付近で最適な性能を示すことが確認されました。

**Table 6.** Table 6: Sensitivity of segmentation metrics to the prediction binarisation threshold. The threshold is applied only when converting the continuous fractional output to a binary mask for DSC and HD evaluation.解説: セグメンテーション指標（DSCとHD）が予測の二値化閾値に対してどのように感応するかを示しています。閾値0.5が最も低いHDと最も高いDSCを達成し、最適な動作点であることを示唆しています。

実際の対象者データでの定量的分析7名の対象者における予備的な分析では、PET画像上のトレーサー取り込み増加領域とMR画像上の出血領域との間に空間的対応が観察されました。（図5）これは、炎症とプラーク組成の関連性を示す定性的な証拠となります。脂質に富む壊死性コア（LR/NC）とプラーク内出血の割合が増加するにつれて、補正済みSUVmeanおよびSUVmaxが有意に増加するという中程度の正の相関が、線形混合効果モデルによって確認されました（SUVmeanの場合、LR/NCが10パーセントポイント増加するごとにSUVが0.19単位増加、p < 0.001）。

**Figure 6.** Figure 6: Association between the percentage volume of LR/NC with hemorrhage and corrected SUVmean (a) and corrected SUVmax (b). Points represent slice-level observations. Solid lines indi- cate population-level fixed-effect fits from linear mixed-effects models with patient-specific random intercepts, and shaded bands indicate 95% confidence intervals for the fixed-effect mean.解説: LR/NC（脂質に富む壊死性コア）と出血の割合と、補正済みSUVmean（a）および補正済みSUVmax（b）との関連性を示しています。LR/NCと出血の割合が増加するにつれて、補正済みSUVが正の相関をもって増加することが観察されます。

これは探索的結果ですが、画像診断上での関連性を示唆しています。

研究の意義と今後の展望

本研究は、頸動脈プラークの動脈硬化性炎症をPET画像から自動で高精度にセグメンテーションし、トレーサー取り込み量を定量化する新しい深層学習フレームワークを提案しました。特に、現実的な合成PETデータの生成パイプラインと、部分容積効果および組織画分効果を考慮したMSR-Netの導入により、この困難な課題に対する実行可能な解決策を提供しています。広範なシミュレーション条件下での評価では、提案手法が従来の深層学習モデルや古典的な部分容積効果補正手法と比較して、セグメンテーション精度と取り込み量定量化の正確性において著しい改善を示しました。これは、臨床現場における動脈硬化性炎症の早期検出とリスク評価に貢献する可能性を秘めています。しかしながら、本研究における実際の対象者データを用いた分析は予備的な段階であり、その結果は慎重に解釈される必要があります。より大規模な対象者コホートでの外部検証、特に生物学的ゴールデンスタンダード（例：組織病理学）との比較による検証が、本手法の臨床導入前に不可欠です。今後、本フレームワークは、異なる放射性トレーサーや他の血管領域への応用、あるいは動脈硬化の進展予測への統合など、さらなる発展が期待されます。最終的には、この技術が心血管疾患の個別化医療を推進し、対象者の転帰改善に貢献するでしょう。

用語集

動脈硬化: 血管の壁が硬くなり、血流が悪くなる状態。
PET (Positron Emission Tomography): 放射性トレーサーを使って体内の代謝活動や炎症を画像化する検査。
64Cu-CANF-comb: 炎症を特異的に示す新しいPET用放射性トレーサー。
MRI (Magnetic Resonance Imaging): 磁場と電波を利用して体内の詳細な構造を画像化する検査。
SUV (Standardized Uptake Value): PET検査で組織への放射性トレーサーの取り込み量を標準化した指標。
PVE (Partial Volume Effect): PETのような空間分解能が限られた画像で、小さな構造の信号が周囲の組織と混ざり合う現象。
セグメンテーション: 画像の中から特定の領域（例: 炎症部位）を識別して抽出すること。
深層学習 (Deep Learning): 人間の脳の構造を模倣したニューラルネットワークを用いた機械学習の一分野。
MSR-Net (Multiscale Residual Network): 複数のスケールの残差接続を持つニューラルネットワークで、様々な特徴を抽出する。
GATE (GEANT4 Application for Tomographic Emission): PETなどの核医学画像における物理プロセスをシミュレーションするためのモンテカルロツールキット。
DSC (Dice Similarity Coefficient): 画像セグメンテーションの精度を測る指標。0から1の範囲で、1に近いほど高精度。
HD (Hausdorff Distance): 画像セグメンテーションの輪郭の類似性を測る指標。値が小さいほど高精度。
ENRMSE (Ensemble Normalized Root Mean Square Error): 予測値と真値の差の誤差を評価する指標。値が小さいほど高精度。
LR/NC (Lipid-Rich/Necrotic Core): 血管プラーク内の、脂肪や壊死組織に富んだ不安定な領域。