文脈的解剖学に基づく深層学習による糖尿病性網膜症眼底画像の正確な中心窩（フォベア）セグメンテーション

糖尿病性疾患の目で危険を見抜く

糖尿病を抱える何百万もの人々にとって、網膜のごく中心にある小さな窪み――中心窩（フォベア）は、鮮明な視力と恒久的な視力喪失の分かれ目になり得ます。医師は既に眼底のカラーフォト（眼底画像）を用いて糖尿病性網膜症のスクリーニングを行っていますが、今日の自動化ツールは多くの場合、中心窩を真の領域として輪郭化するのではなく単一の点として特定するに留まります。医師が注射やレーザー治療の必要性を判断したり、経過観察でよいかを決めたりするには、領域の把握が重要です。本研究は、新しいデータ駆動型の人工知能（AI）手法が、中心窩自体だけでなく眼の全体的な解剖学的な風景に注意を向けることで、眼科専門医に近い見方で中心窩を認識できるようになることを示しています。

中心窩の輪郭が描きにくい理由

中心窩は網膜にある小さく浅い凹みで、鋭い中心視力と豊かな色覚をもたらします。眼底画像では境界がぼやけ、カメラによって見え方が異なり、疾患によってさらに不明瞭になることがあります。従来の計算手法は輝度や幾何学的な単純なルールに頼っており、病変や画像品質の低下があるとすぐに破綻します。最近の深層学習システムは中心窩検出を改善しましたが、各構造を個別に扱うか、あるいはますます複雑なネットワーク設計に依存することが多く、どちらも臨床の基本的現実を無視しがちです。眼科医は中心窩を単独で探すわけではなく、視神経乳頭（視盤）や血管の走行といった目印を手掛かりに、たとえ見えにくくても中心窩の位置を推定するのです。

目の地図を読めるようにAIを教える

著者らは別の戦略を提案します。より入り組んだネットワークを考案する代わりに、標準的で効率的なモデルの学習に使うラベルを豊かにしたのです。彼らは新しいデータセット、IDRiD-RETA-FVを作成し、眼科専門家が中心窩だけでなく視神経乳頭、血管、網膜全体、背景についてピクセルレベルで慎重に輪郭を描きました。2人の眼科医が厳格なプロトコルに従い、ほぼ完璧に一致するアノテーションを達成し、AIシステムにとって確かな参照を提供しました。このデータセットに既存の広く用いられるアーキテクチャに基づくセグメンテーションモデルMNv4Foveaを適用し、すべての解剖学的構造を同時にセグメントするよう訓練しました。訓練ラベルに段階的に文脈を追加していく――まず中心窩対背景のみ、次に視神経乳頭を含め、さらに網膜、最後に血管を加える――ことで、各解剖学的要素が中心窩検出にどれだけ寄与するかを直接測定できました。

文脈と巧みな増強が精度を高める仕組み

結果は文脈が極めて重要であることを示しています。モデルが中心窩と背景のラベルだけで学習したとき、正しく識別できた中心窩ピクセルはわずか4分の1強に過ぎませんでした。視神経乳頭を単純に追加しても改善は控えめでした。しかし網膜の輪郭を含めると性能は急上昇し、さらに血管を加えることで中心窩のリコールは90パーセントを超えました。つまり、AIモデルに医師が使うのと同じ地図――乳頭、血管、網膜境界――を与えると、中心窩の輪郭化が格段に向上したのです。異なるカメラ由来の画像で動作させるために、研究チームは画像の色や明るさを変化させる新しい方法も考案しました。他の公開眼底データセットの見え方を、一般化極値分布（GEV）と呼ばれる統計分布でモデル化し、解剖学的構造を保ちながら訓練画像をそのスタイルに似せて変換しました。このGEVベースの増強は、標準的な幾何学的変換だけの場合と比べて、成功した中心窩検出率をほぼ倍増させました。

多数のデータセットで有効性を実証

MNv4Foveaは、新たに専門家がラベル付けしたデータセットと、いくつかの著名な公開網膜画像コレクションの両方で評価されました。IDRiD-RETA-FVの保持されたテスト分割では、予測された中心窩領域と真の領域との重なりが高く、中心窩の中心位置はわずか数ピクセル以内に特定され――存在する場合はほぼ常に検出されました。MESSIDOR、REFUGE、ARIA、MAPLES-DRなどの外部データセットでも、モデルは参照点に対する中心窩予測の近さで最先端手法に匹敵するかそれを上回りました。興味深いことに、数値スコアが控えめに見える場合がありましたが、それは外部データセットが「中心窩」を異なる定義（例えば、小さな臨床的中心窩ではなく広い黄斑領域をマークしている）を用いていたためで、専門家のレビューではモデルの予測は解剖学的に妥当であり、しばしば元のラベルよりも専門家の意見に近いことが示されました。

患者と今後のツールにとっての意義

糖尿病を抱える人々にとって、本研究は網膜上に点を置くだけではない、より信頼できて広く展開可能なスクリーニングツールへの道を示しています。乳頭、血管、網膜輪郭といった完全な解剖学的文脈から学ぶことで、MNv4Foveaは中心窩領域を正確にマッピングでき、むくみや病変が中心視力を脅かすほど近いかどうかを判断する重要な一歩となります。著者らは、このデータ中心の解剖学誘導アプローチが将来のネットワーク設計の進歩を補完し、微細な構造を複雑で病変のある環境から見つけ出す必要のある他の多くの医用画像領域にも有益である可能性があると主張しています。

引用: Chankhachon, S., Kansomkeat, S., Bhurayanontachai, P. et al. Contextual anatomy-guided deep learning for accurate fovea segmentation in diabetic retinopathy fundus images. Sci Rep 16, 10388 (2026). https://doi.org/10.1038/s41598-026-40287-y

キーワード: 糖尿病性網膜症, 網膜イメージング, 中心窩セグメンテーション, 深層学習, 医用画像解析