脳転移患者の追跡MRI評価で検証したヘッドツーヘッドおよび縦断的CycleGANアルゴリズムのMRIハーモナイゼーションの開発

脳画像の一致が重要な理由

がんが脳に転移すると、治療が効いているかを確認するために繰り返しMRI検査が行われます。しかし見落とされがちな問題があります：追跡検査はしばしば異なるMRI装置で行われるため、実際には変化がないのに同じ腫瘍が大きく見えたり小さく見えたり、明るく見えたり暗く見えたりすることがあるのです。本研究は、異なる装置からのMRI画像を「ハーモナイズ（標準化）」して、医師が装置特有の違いではなく腫瘍の実際の変化に注目できるようにする新しい人工知能（AI）手法を紹介します。

異なるMRI装置がもたらす課題

脳転移—例えば肺がんや乳がんなどから脳に広がった腫瘍—は重大な罹患および死亡原因です。患者は病変が増大したか縮小したか、あるいは変化がないかを確認するために頻繁に追跡MRIを受けます。理想的には、すべての検査が同じ種類のMRI装置と同じプロトコルで行われるべきですが、現実には多忙な病院で複数のメーカーの装置が使われ、それぞれ設定やコントラストの挙動が異なります。その結果、同じ患者の2回のスキャンで同一の病変が明るさやシャープネスの点で異なって見え、安定している腫瘍があたかも変化したように見えることがあります。このばらつきは診療を複雑にするだけでなく、多施設のデータを統合する大規模研究にも悪影響を与えます。

AIを用いて画像を標準化する

これに対処するため、研究者らは生成対向ネットワーク（GAN）というニューラルネットワーク群に基づく深層学習システムを構築し、特にCycleGANという設計を採用しました。ハードウェアを変える代わりに、ソフトウェアにある装置で取得された画像が別の装置で取得されたらどのように見えるかを学習させます。修正した「ペア化」CycleGANは、同一患者のベースライン検査と追跡検査の組を用いて学習します。ここでは第1回と第3回の検査が同じ装置で行われ、第2回が別の装置で行われています。こうした連結された画像を比較することで、ネットワークは第2装置からの追跡画像のスタイルを第1装置の見た目に合わせて調整することを学びつつ、脳や腫瘍の実際の解剖学的構造は保持するようになります。

形状を保ちながらスタイルを補正する

標準的なCycleGANモデルは画像のスタイル変更に長けていますが、微細な詳細を変えてしまうリスクがあり、医用画像では危険です。そこでチームは学習目的関数に特別な「オリジナルマッチング」項を追加しました。この追加制約により、全体のコントラストや明るさをベースライン装置に合わせてシフトさせる一方で、各ボクセル（3Dピクセル）が元のスキャンの構造にできるだけ近いままであることをAIに強く促します。研究者らはこの制約の強さを様々に試し、スタイル補正と脳解剖の忠実な保持との最良のバランスを見つけました。そのうえで、ヒストグラムマッチングやPix2Pix、STGAN、未改良のCycleGANといった従来の手法と比較評価しました。

より高い一致度と信頼度の向上

時間を通じて安定していると確認された脳転移患者群では、ハーモナイズ後の追跡画像は元の未補正追跡画像よりもベースライン画像に近く見えるようになり、いくつかの技術的な画質指標で改善が示されました。脳の各領域間のコントラスト差もハーモナイズ後は小さくなり、装置由来のズレが低減したことを示しました。続いて2名の神経放射線科医が、病変が変わっていないという情報を与えられないまま、ベースライン画像とオリジナルの追跡画像あるいはハーモナイズされた追跡画像を比較評価しました。ハーモナイズ画像を用いると、腫瘍の境界、サイズ、コントラストが安定していると判断される頻度が高まり、評価の自信度も上がりました。重要なことに、別のテスト群で実際に腫瘍が進行または縮小した症例では、AIは臨床的に重要な変化をただ平滑化して消してしまうのではなく、実際の病変変化を保持していました。

患者にとっての意義

脳転移患者にとって、新しいハーモナイゼーション手法は単に装置が異なるために生じる腫瘍増大の誤警報を減らし、不必要な不安や治療変更を避けるのに役立つ可能性があります。追跡検査の見た目を装置間で一貫させることで、ペア化CycleGANアプローチは放射線科医に脳内で実際に何が起きているかをより明確に示します。本研究は単一センターかつ限られた種類の装置で実施されたという制約はあるものの、今後は賢いソフトウェアが裏方で医用画像を日常的に正規化し、画面上の変化が病状の真の変化を反映していると医師や患者が信頼できる未来を示唆しています。

引用: Hwang, H., Choi, HU., Jeong, H. et al. Development of head-to-head and longitudinal CycleGAN algorithm for MRI harmonization: validation in follow-up MRI evaluation in patients with brain metastasis. Sci Rep 16, 13163 (2026). https://doi.org/10.1038/s41598-026-43755-7

キーワード: 脳転移, MRIハーモナイゼーション, 深層学習, CycleGAN, 医用画像