局所案内型拡散モデルによる疑似健康画像合成を用いた局所皮質形成異常病変の局在化

小さな脳の瘢痕を見つけることが重要な理由

多くのてんかん患者では、強力な薬を使っても発作が続きます。見逃されがちな原因の一つが、局所性皮質形成異常と呼ばれる小さな異常組織の斑点です。これらは多くの場合、外科手術で治癒が期待できますが、医師が病変を特定できて初めて手術が可能になります。しかし標準的な脳スキャンでは病変が非常に微細で、熟練した放射線科医でさえ見落とすことがあります。本研究は、患者の脳スキャンが完全に健康であったらどのように見えるかを「想像」し、その差分を使って見つけにくい病変を浮かび上がらせる新しい人工知能（AI）手法を示します。これにより、より多くの患者が手術の対象となる可能性が開かれます。

大きな問題の中の小さな病変

てんかんは世界で7,000万人以上に影響を与えており、約3分の1は複数の薬を試しても発作が続きます。小児では主要な原因の一つが局所性皮質形成異常で、脳のごく一部が異常に発達します。MRIでは、皮質のわずかな肥厚や灰白質と白質の境界のぼやけなどとして現れることがあり、非常に見落としやすい変化です。これらの微妙な異常をスライスごとにラベリングするのは時間がかかり、病院間で一貫性がないため、従来の教師ありAIを訓練するための大規模でよく注釈されたデータセットはほとんど存在しません。そこで著者らは弱教師ありの異常検出に着目しました。これは正常組織のパターンを学習し、詳細な病変の手動アウトラインを必要とせずに場違いなものを検出する手法です。

「健康だったらどう見えるか？」と問うAI

本手法の核心は、患者のスキャンから「疑似健康」バージョンを生成し、それが実際の画像とどのように異なるかを測定することです。そのために著者らは拡散モデルを応用しました。拡散モデルは画像に徐々にノイズを加え、それを逆にたどる方法を学習する強力な画像生成手法です。本研究では、解剖学を強調するT1強調画像から、病変の特徴に敏感なFLAIR画像へ変換するようモデルを訓練しました。逆過程では、モデルに対して疑わしい領域を健康な組織に近づけるよう優しく誘導し、正常領域はほとんど変えないようにします。元のFLAIRスキャンと生成された「クリーンな」FLAIRスキャンの差分が、病変の位置を示す異常マップになります。

2種類のスキャンと大まかな位置ヒントの活用

異なるMRIシーケンスは局所性皮質形成異常を異なる方法で示します。T1画像は皮質の形状変化をよりよく明らかにし、FLAIRは水分の多い異常組織を明るく、境界をぼかして目立たせる傾向があります。著者らはこの補完性を利用し、FLAIR生成時にT1画像をガイドとして入力することで、あるモダリティの構造情報と別のモダリティの信号変化を組み合わせるようモデルに促しました。さらに第二のガイダンス源として、異常が含まれる大まかな脳領域（前頭葉や側頭葉など）やスキャンが正常かどうかを識別する分類器を導入しました。この領域情報が拡散過程を導き、病変が生じやすい領域に「治癒」処理を集中させることで、脳全体を大きく変えずに小さなてんかん焦点を明らかにする可能性を高めます。

色調のずれを補正し実患者で検証

生成モデルは微妙に明るさやコントラストを変えてしまうことがあり、医師を混乱させたり真の異常を隠したりするリスクがあります。これに対処するために、研究者らはヒストグラムマッチングという標準的な画像処理技術を適用し、生成されたFLAIR画像が元のスキャンと同じ強度分布を持つようにしました。これにより、画像の見た目を馴染みのあるものに保ちながら、局所的にモデルが導入した病変関連の差分を保持します。本手法はボン大学付属病院の公開データセット（局所性皮質形成異常タイプIIの患者85名と健常対照85名のMRI）で検証されました。慎重な前処理と訓練の後、本アプローチは4つの競合する異常検出法を上回り、画像レベルでの高い再現率（病変を含むスキャンの多くを検出）と画素レベルで専門家の病変マップとのより良い一致を達成しました。

てんかん患者にとっての意義

本研究は、AIが脳スキャンを単に分類するだけでなく、「もし健康ならどう見えるか」という現実味のある画像を生成して隠れた病変を際立たせることに使えることを示しています。ボクセル単位の手作業によるラベリングを必要とせず、多モダリティMRI、大まかな位置情報、そして慎重な強度補正を組み合わせることで、既存のいくつかのツールよりも微妙なてんかん性瘢痕をより信頼性高く検出します。完璧ではなく、シーケンス間の差が誤検知を生むことや一部の病変が正常組織とあまり区別できないことは残りますが、このアプローチは放射線科医のための信頼できる自動支援に一歩近づけます。長期的には、この種の技術が薬剤抵抗性てんかんの手術対象をより早く一貫して特定するのに役立ち、患者の治療成績の向上につながる可能性があります。

引用: Li, Y., Pan, Y., Zhang, X. et al. Pseudo-healthy image synthesis via location-guided diffusion models for focal cortical dysplasia lesion localization. Sci Rep 16, 8101 (2026). https://doi.org/10.1038/s41598-026-38981-y

キーワード: てんかん, 脳MRI, 局所性皮質形成異常, 医療画像AI, 異常検出