PET/CT画像からAIが全身の筋肉量を自動測定：サルコペニア評価の新時代
解説対象論文: Development of a Deep Learning Model for Automated Measurement of Skeletal Muscle Volume in 18F-FDG PET/CT
Journal of Imaging Informatics in Medicine｜被引用数: 0（2026年7月27日時点）
PET/CT検査で得られるCT画像から、深層学習モデルを用いて体幹の骨格筋量を全自動で3次元測定する新しい方法が開発されました。この自動3次元測定は、従来の2次元測定よりも筋肉量の評価において優れており、追加の被ばくなく、正確でスケーラブルな体組成分析を日常のPET/CTワークフローに組み込む可能性を秘めています。
はじめに：サルコペニアと従来の筋肉量評価の課題
どうも、Beyond the Pixelです。骨格筋量は、身体機能やがん治療の忍容性、臨床転帰に影響を与える重要な因子です。特にサルコペニア（加齢や疾患による筋肉量の減少や筋力低下）は、さまざまな種類のがんで予後不良と関連しています。また、がん以外の領域でも、筋肉量は生理的予備能や虚弱、長期的な健康状態の指標として用いられています。
これまで骨格筋量の測定には、CT（コンピュータ断層撮影）画像を用いた評価が広く使われてきましたが、一般的には第3腰椎（L3）レベルの単一スライスにおける2次元の断面積（L3-CSA）に依存していました。しかし、この方法は測定部位の偏りの影響を受けやすく、体幹全体における筋肉分布の頭尾方向（頭から尾、つまり上下方向）の変化を十分に捉えきれない可能性があります。より包括的な筋肉量の評価として3次元の体積測定が有望視されていますが、手動でのセグメンテーション（領域分割）は非常に手間がかかるため、臨床での普及は限られていました。一方、がんの検出、病期診断、治療反応評価などに日常的に行われる18F-FDG PET/CT（以下、PET/CT）検査では、高品質な全身CTデータが得られます。このPET/CTのCTデータを活用して、追加の被ばくなく筋肉量を評価できれば、その有用性は大きいと考えられます。生体電気インピーダンス法（BIA）も骨格筋量を迅速に推定する方法として用いられますが、CT由来の測定は画像に基づいた直接的な評価を提供します。本研究は、このPET/CTで得られる全身CT画像から、深層学習（ディープラーニング）を用いて体幹骨格筋の総体積を全自動で定量化するフレームワークを開発し、その性能をBIAによる体幹筋肉量と比較して検証することを目的としています。
深層学習モデルの開発と検証方法
この研究は、当施設でがん検診のためにPET/CTとBIA検査を受けた209名の対象者（男性148名、女性61名、年齢中央値52歳）を対象とした後ろ向き研究です。対象者の詳細な特性は
に示されています。CT画像はシーメンス社製のBiograph mCT Flow64-4R PET/CTシステムで取得され、頭蓋頂から大腿中央までをカバーしています。深層学習モデルは、医療画像セグメンテーション用のオープンソースツールであるnnU-Netフレームワークを用いて構築されました。このフレームワークは、与えられたCTデータセットの特性に基づいて、ネットワークアーキテクチャや前処理、後処理のステップを自動で最適化する自己設定型である点が特徴です。本研究では、体幹筋肉の頭尾方向の解剖学的バリエーションを捉えるため、3次元のU-Net構成を採用しました。筋肉のセグメンテーション（領域分割）には、3D Slicerソフトウェアを使用し、骨格筋の標準的なHounsfield単位（HU）範囲（-29から150 HU）を用いて手動で行われました。測定の信頼性を確保するため、肋間筋（肋骨の間にある筋肉）と大腿筋は除外されました。モデル開発には、手動セグメンテーションの効率を高めるため、3段階の反復的洗練戦略が採用されました。まず5例のCTデータで手動セグメンテーションを行い、初期のnnU-Netモデルを学習させました。次に、このモデルをさらに5例に適用し、その予測結果を手動で修正することで、合計10例のアノテーションデータを作成しました。この「予測を修正する」方法は、ゼロから手動セグメンテーションを行うよりも大幅に時間を短縮できました。2段階目では、これら10例のデータでモデルを再学習させ、さらに10例の予測を修正し、合計20例のアノテーションデータを得ました。3段階目では、20例のデータで学習したモデルをさらに20例に適用し、これらを手動で修正して「固定テストセット」として用いました。このテストセットはモデルの学習には使用されず、性能評価のみに用いられました。最終モデルは、この20例のアノテーションデータで学習されたものです。
筋肉量の評価では、深層学習モデルによってCT画像から自動算出された3次元の体幹筋肉体積と、BIAデバイス（InBody970）で測定された体幹筋肉量を比較しました。また、従来法である第3腰椎レベルの2次元断面積（L3-CSA）も手動で測定し、同様にBIAの結果と比較しました。モデルの性能はDice類似度係数（DSC）で検証し、BIAとの相関はピアソン相関係数（r）で評価しました。3D体積と2D L3-CSA間の相関の差はWilliamsのt検定で比較しました。
驚異的な精度と3D測定の優位性
反復学習の過程で、アノテーションデータの数が増えるにつれてセグメンテーション性能は向上しました。1回目、2回目、3回目の反復後のDice類似度係数（DSC）はそれぞれ0.9881、0.9909、0.9910という高い値を示しています。
最終モデル（3回目の反復後に得られたモデル）は、残りの169例のCTデータに適用され、自動セグメンテーションが行われました。これらの自動セグメンテーション結果は専門家によって視覚的に確認され、明らかな系統的セグメンテーションエラーは見られませんでした。モデルは、アノテーションプロトコルに従って肋間筋と大腿筋を一貫して除外していました。最終モデルによる自動筋肉セグメンテーションの代表例を
に示します。この図から、モデルが頸部から骨盤まで体幹の筋肉を正確に区別し、軸位、冠状位、矢状位の各断面および3Dレンダリングで解剖学的に一貫したセグメンテーションを示していることがわかります。BIAで評価された体幹筋肉量とCT由来の3D筋肉体積の間には、統計的に非常に強い相関（r=0.961、95%信頼区間: 0.948–0.970）が認められました。
これは、従来の2D L3レベルの断面積（r=0.912、95%信頼区間: 0.886–0.933）と比較して有意に強い相関でした（P < 0.001）。
この優位性はWilliamsのt検定によっても確認されています。
性別によるサブグループ解析では、相関係数はわずかに低下しましたが、3Dアプローチは男性、女性ともに頑健かつ一貫した高い相関（両方ともr=0.898）を維持しました。対照的に、2Dの指標は男性サブグループにおいて相関が顕著に低下しました（r=0.757）。3D法は男性で相関係数において大幅な改善（Δr = +0.141, P < 0.001）をもたらしました。女性サブグループでも、2D CSAのr=0.831から3D体積のr=0.898へと相関係数の有意な改善（Δr = +0.067, P = 0.017）が観察されました。これらの結果は、自動3D体積測定が、体幹全体の解剖学的バリエーションを捉えることで、従来の2D指標よりも筋肉量の評価において有意に頑健な評価を提供することを示唆しています。
日常診療への応用と今後の展望
nnU-NetフレームワークをPET/CT検査で得られた全身CT画像に適用することで、体幹筋肉量の全自動3次元定量化が非常に実現可能であることが示されました。このアプローチは、ルーチンの臨床データを活用し、手動セグメンテーションという実用的な障壁を克服することで、スケーラブルな体組成分析ソリューションを提供します。本研究の注目すべき発見は、わずか20例の手動アノテーションデータのみで非常に高精度なセグメンテーションモデルが達成されたことです。これは、nnU-Netフレームワークの自己設定機能によるものが大きいと考えられます。従来の2D L3-CSA測定と比較して、3D体積アプローチがBIA由来の筋肉量と有意に強い相関を示したことは、非常に重要な知見です。特に男性において、2D指標の相関が著しく低下したのに対し、3D法が頑健な性能を維持したことは、単一スライス測定がサンプリングバイアスを受けやすく、筋肉分布の頭尾方向のバリエーションを捉えきれない可能性を示唆しています。体幹全体の筋肉情報を統合することで、3D体積測定は全体的な筋肉量をより代表的に示す指標となります。CT由来の体積とBIA由来の質量は異なるパラメータですが、スクリーニングコホートにおいて観察された強い関連性は、CTベースの体積測定が信頼性の高い代替指標であることを裏付けています。PET/CTはがん治療のワークフローで日常的に行われるため、本研究で提案された方法は、追加の被ばくや対象者への負担なく、個別化された筋肉評価を可能にし、リスク層別化や個別化された臨床意思決定を促進します。ただし、いくつかの限界も考慮する必要があります。まず、本研究は単一施設の後ろ向き研究であり、異なるスキャナーや再構成パラメータを用いた場合への結果の一般化には限界があるかもしれません。また、研究対象者は比較的健康ながん検診の対象者であり、進行性悪性腫瘍やサルコペニア、重篤な合併症を持つ対象者における本方法の性能は、今後の外部検証研究で調査する必要があります。さらに、PET/CT検査の撮像範囲の制約から、大腿部の筋肉のごく一部しか画像に含まれておらず、サルコペニア評価の中心となる下肢の骨格筋量を包括的に評価することはできませんでした。極端な体組成（非常に筋肉質な対象者や重度の肥満対象者など）における頑健性についても、さらなる評価が必要です。今後の研究では、異なるスキャナーや画像プロトコルで取得されたデータセットを用いた多施設検証に焦点を当てるべきです。さらに、軸方向の視野を拡張した全身体PET/CTシステムを使用することで、セグメンテーション範囲を下肢にまで拡大し、サルコペニア評価の中心となる付属肢骨格筋量を包括的に評価することが可能になるでしょう。結論として、本研究はnnU-Netに基づく自動3次元体積測定フレームワークが、PET/CTで取得された全身CT画像から体幹骨格筋量を正確かつ自動的に定量化できることを実証しました。2D指標に固有の解剖学的変動性を克服することで、この体積アプローチは筋肉量のより正確で頑健な推定値を提供します。提案された自動フレームワークは、PET/CTワークフロー内で体組成分析を行うための正確かつスケーラブルなツールを提供し、サルコペニアの臨床評価を強化する可能性を秘めています。
用語集
- サルコペニア: 加齢や疾患により筋肉量が減少し、筋力や身体機能が低下する状態です。
- CT（コンピュータ断層撮影）: X線を用いて体の内部を詳細な断層画像として描出する検査です。
- PET/CT: PET（ポジトロンCT）とCTを組み合わせた画像診断装置で、代謝機能と形態情報を同時に得られます。
- L3-CSA: 第3腰椎レベルにおける骨格筋の2次元断面積で、全身の筋肉量を推定する際の指標の一つです。
- セグメンテーション: 画像データ内で特定の領域（この場合は筋肉）を識別し、区別して分割する処理です。
- 深層学習（ディープラーニング）: AI（人工知能）の一分野で、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学習し、認識や予測を行います。
- nnU-Net: 医療画像セグメンテーションに特化した自己設定型の深層学習フレームワークです。
- BIA（生体電気インピーダンス法）: 体に微弱な電流を流し、その抵抗値から体内の水分量や体組成（筋肉量、脂肪量など）を推定する方法です。
- Dice類似度係数（DSC）: 画像セグメンテーションの性能を評価する指標で、予測された領域と真の領域の重なり具合を示します。1に近いほど高精度です。
- Hounsfield単位（HU）: CT画像におけるX線吸収値の尺度で、水の吸収値を0、空気の吸収値を-1000として、組織の種類を区別します。
- ピアソン相関係数（r）: 2つの変数の線形関係の強さと方向を示す統計量です。-1から1の範囲で、絶対値が1に近いほど強い相関を示します。
Leave a Reply