深層学習で実現する合成MRI灌流マップ：急性虚血性脳卒中画像診断の新たな展開

注目ポイント

本研究では、高度な深層学習モデル、特にDenoising Diffusion Probabilistic Model（DDPM）を用いて、通常取得される非造影MRIシーケンスであるDWIおよびFLAIRから、合成T-max灌流マップを高精度に生成できることが示された。これらの合成マップは、真のDynamic Susceptibility Contrast（DSC）灌流マップ、特にTime-to-Maximum（T-max）パラメータを高い精度で再現し、迅速かつ非侵襲的な脳卒中画像診断を可能にする。さらに、梗塞コアマスクを組み込むことで、モデル性能は大きく向上した。

研究背景

急性虚血性脳卒中では、迅速かつ正確な画像診断が、適切な再灌流療法を適時に行うために不可欠である。磁気共鳴画像法（Magnetic Resonance Imaging, MRI）は脳卒中評価の基盤であり、拡散強調画像（Diffusion-Weighted Imaging, DWI）により梗塞コアを詳細に描出し、従来はDynamic Susceptibility Contrast（DSC）画像で灌流低下を評価してきたが、DSCではガドリニウム造影剤の使用が必要である。しかし、DSC灌流は撮像時間を延長させるうえ、腎性全身性線維症やアレルギー反応など、造影剤に関連するリスクも伴う。そのため、造影剤を用いずに灌流情報を抽出し、迅速な治療判断を支援しつつ、造影関連リスクを低減できる画像診断法が求められている。

研究デザイン

本後ろ向き研究では、欧州の2つの脳卒中センター（ドイツ・ハイデルベルク、2010～2018年；フランス・ボルドー、2021～2022年）において、前方循環系脳卒中の急性期MRIデータを有する355例を収集した。データセットには、DWI、FLAIR（Fluid-Attenuated Inversion Recovery）、梗塞コアのセグメンテーションマスク、および対応するT-maxマップを伴うDSC灌流画像が含まれていた。DWI、FLAIR、梗塞コアマスクから合成T-max灌流マップを生成するため、Denoising Diffusion Probabilistic Model（DDPM）およびGenerative Adversarial Network（GAN）の各種変法を含む6種類の深層学習アーキテクチャが構築された。性能評価は、画像類似度指標、T-max＞6秒領域に対するDice係数、およびミスマッチ体積分布の解析を用いて、内部検証と外部検証の両方で行われた。さらに、各入力モダリティの重要性を定量化するため、アブレーション研究も実施された。

主な結果

病因特異的Denoising Diffusion Probabilistic Model（DDPM）で、2.5次元アーキテクチャを採用したモデルが最良の結果を示した。DWI、FLAIR、梗塞コアマスク、および灌流重み付き損失関数を与えると、110秒未満で真のT-maxマップに近似する合成マップを生成した。

合成灌流マップは内部検証において高い空間的精度を示し、T-max＞6秒領域に対する平均Dice係数は0.82（SD 0.08）であり、実際の灌流低下領域との高い一致を示した。独立データセットを用いた外部検証でも、モデルは一定の性能を維持し（平均Dice 0.59；SD 0.13）、汎化可能性が示された。

さらに重要な点として、合成マップは、救済可能な脳組織の同定に不可欠な、梗塞コアと低灌流組織との差であるミスマッチ体積分布を再現できた。この結果は、非造影の構造画像と梗塞マスクのみを用いているにもかかわらず、深層学習モデルが血行動態情報を捉えていることを示唆する。

アブレーション研究では、梗塞コアマスクが極めて重要な入力であることが明らかになった。これを除去すると性能は大きく低下し、灌流低下を正確に描出するうえでの同マスクの役割が裏付けられた。DWIとFLAIRはいずれも有用な情報を提供したが、コアマスクと組み合わせることで最適な結果が得られた。

本手法は造影剤投与を不要とし、既存の画像シーケンスを利用するため、本質的な安全性上の懸念は認められなかった。

専門家コメント

本研究は、非造影MRIデータと高度な生成モデルを活用して、従来は造影剤を必要とする灌流パラメータを近似した点で重要な進歩を示している。生成モデリングにおける比較的新しい技術であるDDPMの採用は、医療AIの最新動向とも整合しており、従来のGANよりも高い画像生成忠実度が期待される。

臨床的観点からは、数分以内に生成される合成T-maxマップにより、撮像プロトコルの短縮、患者の造影剤曝露の低減、ならびに灌流撮像設備を持たない脳卒中センターへの灌流情報の提供が可能となる。ただし、外部検証でDiceスコアが低下したことは、装置差、患者集団差、あるいは撮像プロトコル差に起因する不均一性への対処が今後の課題であることを示している。

限界としては、後ろ向き研究デザイン、前方循環系脳卒中に偏る可能性のあるサンプリングバイアス、ならびに正確な梗塞コアマスクへの依存が挙げられる。今後は、前向き検証、臨床意思決定に対する実世界での影響評価、自動脳卒中ワークフローシステムとの統合、さらに後方循環系脳卒中や他の灌流指標への拡張を検討すべきである。

結論

本研究は、梗塞コアマスクを付加した通常利用可能な非造影MRIシーケンスから合成T-max灌流マップを生成する、堅牢で非侵襲的かつ拡張性の高い深層学習フレームワークを提案した。この手法は、急性虚血性脳卒中の評価を迅速化し、世界的な灌流画像へのアクセスを拡大し、造影剤依存を低減する可能性を有する。今後も、検証、臨床実装、ならびに脳卒中のトリアージと管理に向けた多モダリティ画像との統合に関する学際的な取り組みが求められる。

資金提供およびClinicalTrials.gov

本研究は、参加施設からの学内研究助成により支援された。臨床試験登録は示されていない。

参考文献

1. Matsulevits A, Koch A, Mahé-Verdure C, et al. Generating Synthetic MR Perfusion Maps From DWI and FLAIR in Acute Ischemic Stroke: Development and External Validation of a Deep Learning Model. Stroke. 2026;57(8):2375-2387. doi:10.1161/STROKEAHA.123.42312380

2. Campbell BCV, et al. Imaging Selection in Acute Ischemic Stroke. Neurotherapeutics. 2020;17(1):124-136.

3. Karwath A, et al. Deep Generative Models for Medical Imaging: Overview and Opportunities. IEEE J Biomed Health Inform. 2022;26(2):662-678.