AIとがん研究 ── 肝臓がん ── 2026-10-06

肝臓がんの放射線治療で、腫瘍の動きを追う基準マーカーをkV X線画像から検出するCNN手法の論文を示す図。課題は、骨やクリップでマーカーが隠れると従来法の精度が落ちること。手法は多施設試験の画像で小型CNNを訓練し、患者16例の画像4184枚で試験した。結果は2 mm以内が95.4%と97.6%、処理は1画像50〜60 msで、事前の基準を満たした。自由呼吸の患者が少ない点などの限界が残る。 — イメージアブストラクト ── 記事の全体像を 1 枚に（画像を押すと拡大）

肝臓がん 1 本。筆頭: 肝腫瘍の動きのモニタリングに向けた、深層学習CNNによるkV X線画像上の基準マーカー検出法

対象誌と選び方は索引の頁に

肝臓がんの治療・治験とAI

肝腫瘍の動きのモニタリングに向けた、深層学習CNNによるkV X線画像上の基準マーカー検出法
Deep learning-based CNN method for fiducial marker detection in kilovoltage X-ray images for liver tumor motion monitoring.
Medical physics · · 証拠の段階: 多施設臨床試験の画像データを用いた手法の開発・検証研究
抄録（全訳）
背景：放射線治療中に肝腫瘍が動くと、線量を照射する精度が下がることがある。隣接する正常組織への照射が増えることもある。肝腫瘍は、キロボルト（kV）X線画像では直接見えにくい。そのため、治療中は基準マーカー（フィデューシャルマーカー）を埋め込み、腫瘍の位置の目印にするのが一般的である。テンプレートマッチングなど従来のマーカー抽出法では、マーカーが骨や手術用クリップ、ステントに隠れると精度が落ちることがある。畳み込みニューラルネットワーク（CNN）を使う手法は、画像解析で高い性能を示している。しかしその応用は、前立腺のように動きの少ない臓器に限られていた。あるいは、単一施設・特定ベンダーのデータセットに頼っていた。そのため、施設や解剖部位が変わってもモデルが使えるかは十分に評価されていない。
目的：kV X線画像で基準マーカーを検出するCNN手法を開発し、システムに組み込んで評価することを目的とした。本研究の目的は、肝臓の放射線治療中にリアルタイムの画像誘導放射線治療（IGRT）を支えるため、kV X線画像で基準マーカーを検出するCNN手法を開発、統合、評価することである。使ったのは多施設・多機種のデータセットである。自由呼吸下の大きく速い動きと、息止め下の小さくゆっくりした動きの両方を含む。
方法：小型のCNNを、kV X線画像314,625枚で訓練した。画像は、多施設臨床試験 TROG 17.03 LARK（NCT02984566）の患者28例から得た。検証には、同じコホートから取り分けておいた画像31,463枚（10%）を用いた。この検証用データは患者12例・55治療分割から成る。3施設、3種類の呼吸性移動対策法を含む。テストには、患者16例・55分割の画像4184枚を用いた。検証用データも、同じ患者群の3施設、3種類の呼吸性移動対策法にわたる。テストの正解には、各テスト患者の各分割照射で、ガントリー回転10度ごとに手作業で抽出したマーカー位置を用いた。抽出したのは、各テスト患者の各分割で、ガントリーが10度回転するごとの画像である。臨床導入できるかの判定基準は、米国医学物理学会（AAPM）のガイドライン（TG147、TGB135.B）に基づき事前に定めた。基準は2つある。1つは、各方向でマーカー位置の95%超が正解位置から2 mm以内にあることである。もう1つは、1画像あたりの処理時間が150 ms未満であることである。処理時間は、リアルタイムのkV分割内モニタリング（KIM）の枠組みをシミュレーションして測った。ほかの評価指標として、感度、特異度、適合率–再現率曲線の曲線下面積（AUC）も用いた。結果2 mm以内の割合はX軸で95.4%、Y軸で97.6%のフレームであり、AAPMの基準を満たした。感度は97.76%、特異度は99.94%、AUCは0.9964だった。位置決めの誤差に、息止め下と自由呼吸下の治療で統計学的な有意差はなかった。ただし、自由呼吸の患者が少なく、この比較には限界がある。位置決めの誤差は、VarianとElektaのリニアックの間で有意に異なった。これはデータセット内の偏りによる。処理時間は、NVIDIA GeForce RTX 3070 GPUで1画像あたり50〜60 msだった。結論画像には、自由呼吸と息止めの両方の動きが含まれる。画像には、VarianとElektaの両方のリニアックのものが含まれる。この手法は、位置の精度と計算時間について、事前に定めた判定基準を満たした。この結果は、今後の臨床導入に向けた取り組みを後押しする。
掲載誌の IF 相当：2.9（OpenAlex の直近 2 年の平均被引用数・2026-10-05 時点の値、2026-10-06 に取得。正式な IF（Clarivate）ではない）
書誌：Kan F, Jin F, Mylonas A, Zwan B, Nguyen T, Moodie T, et al. Deep learning‐based CNN method for fiducial marker detection in kilovoltage X‐ray images for liver tumor motion monitoring. Med Phys. 2026 Oct 4;53(10):e70691. doi:10.1002/mp.70691. PMID: 42830534.
確認の範囲：抄録のみ確認

← この号の目次へ