CT画像における腹膜がんインデックス領域の深層学習による自動分割：非侵襲的評価への道

解説対象論文: Deep learning-based segmentation of peritoneal cancer index regions from CT imaging
International Journal of Computer Assisted Radiology and Surgery｜被引用数: 0（2026年9月29日時点）

腹腔内にがんが広がる腹膜転移は、その進行度を正確に評価することが治療方針を決定する上で非常に重要です。これまでは侵襲的な手術手技である腹腔鏡検査によって行われていた腹膜がんインデックス（PCI）の評価を、CT画像から非侵襲的に、しかも深層学習を用いて自動化する画期的な研究が登場しました。このブログ記事では、最新の技術がどのようにして腹膜転移の診断と治療計画を支援しようとしているのか、詳しくご紹介します。

Feasible実施可能性	既存のCTスキャンデータと深層学習モデルを用いるため、非侵襲的で臨床実装の可能性がある。
Ethical倫理面	過去のCTスキャンデータと臨床データを使用しており、倫理委員会の承認を得て実施された。
Interesting面白さ	侵襲的なPCI評価を非侵襲的なCT画像で代替する初の深層学習アプローチであり、新規性が高い。
Novel新規性	CT画像から13のrPCI領域を自動セグメンテーションする初の深層学習アプローチである。
Relevant切実さ	腹膜転移の診断と治療計画において、非侵襲的かつ標準化された評価を提供し、臨床的意義が大きい。
Measurable測定可能性	Dice係数、HD95、ASDといった客観的な指標でセグメンテーション性能が評価されている。
Modifiable派生・改善	解剖学的制約を組み込んだパイプラインの導入により、モデルの精度が向上する可能性を示している。
Structured文章構造	rPCI領域の定義に沿った標準化された評価フレームワークを提供し、報告の一貫性を高める。
PICO / PECO対象・介入・比較・結果	対象者(P): 胃がん、卵巣がん、大腸がんの腹膜転移の対象者。介入(I): 深層学習を用いたCT画像からのrPCI領域自動セグメンテーション。比較(C): 従来の外科的PCI評価、ベースラインの深層学習モデル。アウトカム(O): rPCI領域のセグメンテーション精度向上、専門家間変動の低減。

はじめに: 腹膜転移とPCIの重要性

どうも、Beyond the Pixelです。腹腔内を覆う腹膜にがんが広がる腹膜転移（Peritoneal Metastases, PM）は、胃がん、大腸がん、そして女性では卵巣がんから発生することが最も一般的です。近年、腹膜転移に対する治療法が進歩し、その予後が改善されつつあります。治療の選択肢には、細胞減量手術と温熱腹腔内化学療法、加圧腹腔内エアロゾル化学療法、腹腔内化学療法などがあります。これらの治療の適格性を評価し、治療効果をモニタリングするためには、腹膜転移の広がりを正確に把握することが不可欠です。

現在、腹膜転移の広がりは診断的腹腔鏡検査（DLS）を用いて評価されており、これは腹膜転移の診断におけるゴールデンスタンダードとされています。腹膜転移の重症度を数値化するために、Sugarbakerの腹膜がんインデックス（Peritoneal Cancer Index, PCI）が最も一般的に用いられています。このシステムでは、腹腔を13の領域（0から12番まで）に分け、各領域で確認される最大腫瘍の大きさに基づいて0から3のスコアを割り当てます。全ての領域のスコアの合計が最終的なPCIとなり、その範囲は0から39です。この外科的に決定されるPCI（sPCI）は、専門家にとって良好な予後指標を提供し、現在の診療や臨床試験で広く使用されています。さらに、対象者が特定の治療に適格であるかを判断するためにも用いられます。

しかし、sPCIは侵襲的な腹腔鏡検査を必要とします。また、腹膜転移の対象者は、通常、原発腫瘍や転移の有無を評価するためにCTスキャンを受けますが、画像診断による腹膜転移の評価は本質的に難しく、微細な病変を見落としやすく、病変の広がりが過小評価されることがよくあります。また、sPCIシステムは画像に基づいた評価には直接適用できません。この課題に対処するため、最近のコンセンサス研究では、断層画像から腹膜転移を構造的に評価するための放射線学的PCI（radiological PCI, rPCI）領域の定義が提案されました。このrPCI領域は、臓器レベルのセグメンテーションではなく、解剖学的ランドマークと周囲の臓器表面によって定義される腹腔の空間的な細分化です。

本研究の目的は、これらのrPCI領域の定義を活用し、腹膜転移のより正確で客観的な疾患評価を実現することです。著者らは、CT画像から13のrPCI領域を自動的にセグメンテーションする深層学習アプローチを提案し、rPCIの自動化に向けた最初の一歩を踏み出しました。この自動領域分割が、腹膜転移の広がりを評価する際の専門家間変動を減らし、評価に要する時間を短縮し、評価プロセスを構造化するという仮説を立てています。本研究の貢献は主に三つです。（i）畳み込み型とトランスフォーマー型アーキテクチャを比較した、rPCI領域セグメンテーションのための初の深層学習アプローチ、（ii）決定論的な後処理ステップで幾何学的なrPCI境界定義を組み込んだ解剖学的制約付きパイプライン、（iii）達成された性能を臨床的文脈に位置づけるための専門家間の一致度との比較です。

研究方法：AIによる領域分割への挑戦

この研究は、オランダのエイントホーフェンにあるカタリナ病院の倫理委員会の承認を得て、遡及的に収集された画像および臨床データを用いて実施されました。胃がん、卵巣がん、大腸がんと診断された対象者から画像データが取得されました。対象者はCTスキャンを受け、その6週間以内に診断的腹腔鏡検査（DLS）を受けてsPCIを決定しており、その間に治療を受けていませんでした。本コホートには、sPCIが全範囲（0から39）にわたる対象者が含まれていました。合計62件のCTスキャンが収集され、すべて門脈相で造影されており、軸方向のスライス厚は薄いもの（0.5-1.0 mm）から厚いもの（3.0-5.0 mm）まで様々でした。

セグメンテーションマスクは3名の臨床研究者によって作成され、各スキャンは1名の注釈者によって一度注釈付けされました。62件のスキャンは、注釈者の空き状況に応じて割り振られ、それぞれ28件、17件、17件のスキャンを担当しました。注釈は、Tops-Weltenらの研究で提案されたrPCI領域定義に従って行われました。各rPCI領域は3Dボリュームとしてセグメンテーションされ、腹腔内の全てのボクセルがいずれか1つの領域または背景に割り当てられました。結果として得られた参照注釈の例を

に示します。完成した各注釈はその後、他の2名の注釈者のいずれか1名によってレビューされ、両者の意見が一致しなかった場合は、専門の放射線専門家によって最終判断が下されました。専門家間の一致度は、3名の観察者によって独立して注釈付けされた別途のCTスキャンセットで定量化されました。

rPCI領域は、0から12番まであり、中央（0）、右上（1）、心窩部（2）、左上（3）、左側腹部（4）、左下部（5）、骨盤（6）、右下部（7）、右側腹部（8）、上部空腸（9）、下部空腸（10）、上部回腸（11）、下部回腸（12）と定義されています。

前処理の際には、全てのCTスキャンはセグメンテーションマスクの境界に沿って、各次元で15mmのマージンを保持しながらトリミングされました。この手順により、ほとんどの胸部領域と背景ボクセルが除外され、関連する腹部領域に焦点を当ててモデルが訓練されました。さらに、過小セグメンテーションを補償するため、セグメンテーションマスクは2mmの拡張半径を持つ距離ベースの方法を用いて膨張されました。

モデル選択では、nnU-NetとSwin UNETRが、3D医療画像セグメンテーションにおける2つの補完的かつ広く採用されているパラダイムを代表するものとして選ばれました。nnU-Netは、最小限の手動調整で多様な生体医療データセットにおいて強力な性能を確実に達成する自己設定フレームワークです。一方、Swin UNETRは、自己注意機構を通じて長距離依存性をモデル化するためにSwin Transformerエンコーダを採用しており、特に腹部解剖学のように構造が3Dで広範な空間に及ぶ場合に重要です。両アプローチを評価することで、長距離モデリングがrPCI領域の描写に寄与するか、解剖学的に変動する領域間での性能安定性を比較し、最も一般的に使用されるセグメンテーションアーキテクチャの2つのファミリーをカバーする再現可能なベースラインを提供しました。

モデル訓練は、注釈付けされたrPCI領域をグラウンドトゥルースラベルとして使用し、教師あり学習で行われました。nnU-Netは、そのハイパーパラメータを自動的に最適化し、薄いスライス取得（0.5～1.0 mm）の場合、バッチサイズ2、パッチサイズ[96, 224, 112]ボクセル、ボクセル間隔[1.73, 1.09, 1.73] mmという結果になりました。Swin UNETRには、バッチサイズ1、パッチサイズ[96, 96, 96]、nnU-Netと同じボクセル間隔が使用されました。

ベースラインのnnU-Netに加えて、3つのスーパー領域からなる結合ラベルセットで訓練されたnnU-Netも用意されました。訓練中に結合された領域は、左側腹部と左下部（4∪5）、右側腹部と右下部（7∪8）、小腸領域（9∪10∪11∪12）でした。結合ラベルで訓練することにより、CTで目立たない境界を学習する必要がなくなり、これらのスーパー領域は後処理中に解剖学的制約付き後処理によって13のrPCI領域に分割されます。

いくつかのrPCI境界は幾何学的に定義されており、CT上ではより微妙です。例えば、側腹部/下部の境界（4/5および7/8）や、4つの小腸領域（9-12）を分離する境界です。著者らはこれを解剖学的制約付き後処理で解決しました。nnU-Netによって予測された結合されたスーパー領域は、TotalSegmentatorから得られる解剖学的ランドマーク（股関節とトレイツ靭帯）を使用して、個々のrPCI領域に分割されます。各左右の側腹部/下部スーパー領域は、対応する左右の股関節骨の上端にある横断面によって分割されます。小腸スーパー領域は、十二指腸-小腸移行部から放射状に広がる前後面によって分割されます。これにより、著者らはトレイツ靭帯付近の腸間膜根部を近似し、これは領域9-12を構築するための解剖学的ランドマークとして使用されます。この点から、等しい体積の4つのウェッジが引かれます。

評価指標としては、主要なオーバーラップ指標としてダイス類似度係数（Dice）が、境界精度指標として95パーセンタイルハウスドルフ距離（HD95、単位mm）および平均表面距離（ASD、単位mm）が用いられました。これらの指標は、各対象者および各領域ごとに計算され、対象者全体の平均±標準偏差として要約されました。

人間による変動性を定量化するため、専門家間の一致度が別途10件のCTスキャンセットで計算されました。このセットは、それぞれ3名の観察者によって独立して注釈付けされました。モデルと人間の同意度を比較するため、提案された解剖学的制約付きパイプラインによる予測と、3名の観察者それぞれの注釈とを比較し、平均しました。

画期的な結果：AIが専門家に迫る精度

各rPCI領域におけるnnU-NetとSwin UNETRのDice分布は、図2（※図2は提供なし）に示されています。13領域全体で平均すると、nnU-Netは平均Dice値0.81を達成し、Swin UNETR（0.76）を上回りました。また、nnU-Netは全ての領域でより高い中央値Dice値を示しており、より良い典型的な領域セグメンテーション性能を示唆しています。nnU-Netはより高い精度と安定性を示したため、提案された解剖学的制約付きパイプラインのベースモデルとして採用されました。

（図1）は、腹膜転移の対象者の腹部CTスキャンを3つの直交するビューで示し、参照注釈とrPCI領域の予測セグメンテーションマスクを重ね合わせています。左の列は参照注釈を示し、中央の列はnnU-Netの予測を示し、右の列はセグメンテーションエラーを視覚化しています。特に、エラーマスクは偽陰性ボクセル、つまり参照注釈には存在するがnnU-Netによって予測されなかったrPCIボクセルを示しています。領域6、8、9、12では比較的大きな予測エラーが見られます。セグメンテーションエラーは、領域境界付近で頻繁に発生します。

は、ベースラインのnnU-Netと提案された解剖学的制約付きパイプラインを、同一の62件のCTスキャンと5分割交差検証で評価した結果を、Dice、HD95、およびASDとして比較しています。ベースラインは領域1～3および6で良好な性能を示しますが、幾何学的に定義された領域である右側腹部（8）および小腸領域（9～12）では性能が低下します。提案されたパイプラインは、全体的なDice値を0.81±0.15から0.84±0.13に改善し、境界誤差（HD95 13.7 → 11.8 mm; ASD 4.1 → 3.4 mm）を減少させました。特に小腸領域（9～12）および右側腹部/下部領域（7、8）で最大の改善が見られました。領域4および5では、ベースラインのnnU-Netと比較してDice値がわずかに減少しました。中央領域（0）のわずかなDice値の低下（0.82 → 0.80）を除き、後処理されていない領域は本質的に変化していません。

これらの結果を臨床的文脈で解釈するために、

は、それぞれ3名の臨床研究者によって独立して注釈付けされた別途10件のCTスキャンサブセットにおける専門家間の一致度を報告しています。人間（DiceH、HD95H、ASDH）とモデル（DiceM、HD95M、ASDM）の一致度指標は、提案された解剖学的制約付きパイプラインの予測値から計算されました。

提案されたパイプラインは、専門家間の一致度0.87と比較して、全体的なDice値0.84（モデル対人間）を達成しました。HD95およびASDの値も同程度のオーダー（HD95 14.9 mm対9.5 mm; ASD 3.6 mm対3.0 mm）でした。ほとんどの領域（例：0～3、5～7、9～12）で、モデル性能は人間の一致度に近づいています。領域9～12では、提案されたモデルはサンプル間の性能変動がはるかに少なく、人間は各指標に関して高い標準偏差を示しました。主な例外は右側腹部（8）であり、Dice値が低く、HD95の分散が高いことが示されました。

解剖学的制約付きパイプラインは、小腸領域（9～12）で最大の改善をもたらし、平均Dice値を0.74から0.82に大幅に向上させ、ASDを5.8 mmから3.7 mmに減少させました。残りのエラーは、モデル訓練エラーではなく、ランドマークの位置特定（例：トレイツ靭帯）によって支配されていました。

現在の臨床診療では、放射線専門家は標準化された領域境界なしに画像上の腹膜転移を評価しており、これが専門家間の変動性や報告の一貫性の欠如につながっています。自動rPCI領域セグメンテーションは、構造化されたフレームワークを提供することでこれに対処します。これにより、（i）放射線専門家が事前に定義された解剖学的領域内で病変を体系的に検査するよう導き、（ii）専門家間の変動性を低減し、（iii）放射線報告や手術計画のための腹膜病変の評価を標準化します。さらに、構造化されたオーバーレイは報告を加速し、経験の少ない読影者の訓練を支援する可能性があります。nnU-Netの推論は、NVIDIA A100 GPU1基で1スキャンあたり約7秒を要し、臨床統合のための計算上の実現可能性を示唆しています。

研究の限界と今後の展望

本研究は早期の単一施設研究であり、私有のデータセットを使用しているため、汎化性には限界があります。CTスキャナーの種類、取得プロトコル、再構成カーネルは施設によって異なり、特に対象者間の解剖学的変動性が高い場合にモデル性能に影響を与える可能性があります。また、すべてのスキャンは静脈内造影剤を用いて取得されましたが、データセット全体での造影相やタイミングの変動は、非標準化された取得プロトコルに対するモデルのロバスト性に影響を与える可能性があります。したがって、複数の施設に由来するデータセットでの外部検証が今後必要です。

さらに、本研究における専門家間の一致度の定量化は、それぞれ3名の観察者によって独立して注釈付けされた10件のCTスキャンというサブセットで実施され、全訓練コホートで行われたわけではありません。全ての62件のスキャンを3重に注釈付けすることは、1スキャンあたり1注釈者につき約5時間かかるため、実行不可能でした。統計的な強さのために、専門家間変動性研究はより多くのサンプルサブセットで実施されるべきです。

腹膜転移データセットの収集は、外部検証データの入手可能性を制限する重大な課題を提示します。腹膜転移結節は通常、卵巣がん、胃がん、または大腸がんから発生するため、腹膜転移は比較的まれな病態であり、診断と治療には専門的な腫瘍学的専門知識が必要です。データセットの作成には、確定された腹膜転移の対象者を特定し、適切な画像を取得し、訓練された臨床専門家による全てのrPCI領域の時間を要する手動セグメンテーションを行う必要があります。

また、注釈付けされたrPCI領域は、両モデルの訓練と検証におけるグラウンドトゥルースセグメンテーションマスクとして使用されました。しかし、rPCI領域はTops-Weltenらのコンセンサス研究による定義を用いて注釈付けされており、コンセンサス基準の解剖学的境界に固有の変動性により、いくつかの制限が生じる可能性があります。特に、標準化された領域定義の欠如は、重大な専門家間変動の一因となっており、これが現在、ごく一部の放射線専門家しか画像上でPCIスコアリングシステムを適用していない理由を説明するかもしれません。

今後の研究では、（i）施設間での外部検証の実施、（ii）より大規模な多重注釈スキャンセットでの専門家間変動の定量化、（iii）逸脱した解剖学的構造に対する解剖学的ランドマークの位置特定と後処理のロバスト性の改良、および（iv）MRIへのモデル拡張を計画しています。

まとめ

この研究は、深層学習モデルが専門家のコンセンサスによって定義されたrPCI領域へのCT画像のセグメンテーションを自動化できるか、非侵襲的な腹膜転移評価の基礎として機能するかという課題に取り組みました。著者らの結果は、自動rPCI領域セグメンテーションが実現可能であることを示しています。ベースラインのnnU-Netは、全体でDice値0.81を達成し、ほとんどの領域でロバストな性能を提供しましたが、幾何学的に定義された小腸および側腹部領域には課題が残っていました。

これらの境界が外観に基づくものではなく、定義によるものであるという観察に基づいて、著者らは決定論的なランドマークベースの後処理によってコンセンサス幾何学を符号化する、解剖学的制約付きパイプラインを導入しました。これにより、全体的なDice値は0.84に改善され、専門家間の一致度0.87に近づきました。特にベースラインが苦戦した領域で大きな改善が見られました。専門家間変動性との比較は臨床的文脈を提供し、モデル性能がいくつかの領域で人間レベルの一致度に近づくことを示しました。これらの発見は、自動rPCI領域セグメンテーションが、画像ベースのPCI評価の実現可能な構成要素として機能しうることを示しています。

標準化された再現可能な領域マップを提供することにより、このようなモデルは専門家間変動性を低減し、放射線学的評価を加速し、構造化された報告と手術計画を支援する可能性を秘めています。

用語集

• 腹膜転移 (Peritoneal Metastases, PM): 腹腔内を覆う腹膜にがんが広がる状態。
• 腹膜がんインデックス (Peritoneal Cancer Index, PCI): 腹膜転移の広がりを評価する指標で、腹腔を13の領域に分け、各領域のがんの大きさに基づいてスコアを付ける。
• 放射線学的腹膜がんインデックス (radiological Peritoneal Cancer Index, rPCI): CTなどの断層画像で腹膜転移を評価するために定義された腹腔の領域区分。
• 深層学習 (Deep Learning): 人間の脳の神経回路を模倣した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。
• セグメンテーション (Segmentation): 画像中の特定の領域や構造を自動的に識別し、区別する技術。
• nnU-Net: 医療画像セグメンテーションにおいて高い性能を示す、自己設定型のU-Netベースの深層学習フレームワーク。
• Swin UNETR: 画像認識に用いられるSwin Transformerをエンコーダーに組み込んだ、医療画像セグメンテーション向けの深層学習モデル。
• ダイス類似度係数 (Dice Similarity Coefficient, Dice): 2つのセグメンテーション結果がどれだけ一致しているかを示す指標で、値が高いほど一致度が高い。
• 95パーセンタイルハウスドルフ距離 (95th-percentile Hausdorff distance, HD95): セグメンテーション結果の境界の誤差を示す指標で、値が小さいほど境界の精度が高い。
• 平均表面距離 (Average Surface Distance, ASD): セグメンテーション結果の表面間の平均距離を示す指標で、値が小さいほど精度が高い。
• 腸間膜根部 (ligament of Treitz): 十二指腸と空腸の移行部付近にある解剖学的ランドマーク。