AIと神経難病・神経免疫疾患 ── 多発性硬化症 ── 2026-11-07
多発性硬化症の治療・治験とAI
- Automated optic chiasm segmentation in magnetic resonance imaging of multiple sclerosis patients using a multi-view, multi-class U-Net with limited annotated data.抄録（全訳）
背景：多発性硬化症（MS）では、視覚路の障害を定量的に評価する必要がある。そのためには、磁気共鳴画像（MRI）で視交叉を正確にセグメンテーション（領域抽出）することが欠かせない。 しかし視交叉は小さく、解剖も複雑である。さらに、抽出対象の領域（前景）と背景の比率に著しい偏りがある。そのため、正確なセグメンテーションはまだ難しい。 既存の深層学習の手法は、1 つの断面の画像だけを使うことが多い。そのため、MRI の断面ごとに補い合う解剖情報を十分に生かせていない可能性がある。 これらの限界に対応するため、新しいマルチビュー 2 次元 U-Net（2D U-Net）の枠組みを開発し、評価した。この枠組みは、軸位断と冠状断の MRI 情報を単一のセグメンテーション構造の中で併せて用い、視交叉を自動で抽出する。 対象と方法： 本研究は二次解析である。本研究は二次解析であり、視交叉のセグメンテーションに用いる新しいマルチビュー 2D U-Net の枠組みを開発した。この枠組みでは、軸位断と冠状断の MRI 画像を 1 つの 3 クラスセグメンテーション構造に統合した。 モデルは Tversky 損失関数で最適化した。評価には、患者単位の 5 分割交差検証を使った。 性能は複数の指標で定量的に評価した。主な評価指標は、Dice 類似係数（DSC）、IoU（intersection over union、重なりの割合）、バランス正解率とした。定性的には、専門家による注釈と目視で比較して評価した。
結果：解析には、再発寛解型 MS の患者 58 人を含めた。 マルチビューモデルは安定して収束し、評価したモデルの中で最も高いセグメンテーション性能を示した。DSC は 91.28%、IoU は 84.05%、バランス正解率は 94.43% だった。 最も成績の良い単一断面モデルと比べると、マルチビュー手法で DSC は約 13 ポイント、IoU は約 19 ポイント上がった。 定性評価では、マルチビューモデルによるセグメンテーションの方が、専門家の注釈とよく一致した。
結論：今回のマルチビュー・マルチクラス 2D U-Net の枠組みは、視交叉のセグメンテーションで従来の単一断面モデルを上回った。 この結果から、軸位断と冠状断の MRI が持つ相補的な解剖情報を統合すると、セグメンテーション性能を大きく改善できることが示された。 これらの結果は、小さく解剖学的に複雑な構造の自動セグメンテーションに、マルチビュー学習が有用である可能性を示している。
掲載誌の IF 相当：2.6（OpenAlex の直近 2 年の平均被引用数・2026-11-06 時点の値、2026-11-07 に取得。正式な IF（Clarivate）ではない）書誌：Kolahdouzan F, Sajadieh SM, Kafieh R, Adibi I, Ramezani N, Farnia F. Automated optic chiasm segmentation in magnetic resonance imaging of multiple sclerosis patients using a multi-view, multi-class U-Net with limited annotated data. Journal of Research in Medical Sciences. 2026 Jul;31(1). doi:10.4103/jrms.jrms_151_26.確認の範囲：抄録のみ確認