Computed Tomography

[29] Convolutional Neural Network for automated detection of breath-hold in chest CT

*大野 歩果¹、白井 清教¹、坂下 直洋¹、松井 等¹、米田 晃敏¹、岡本 英明¹ (1. 大阪国際がんセンター)

【背景】胸部CTは肺内の微細な構造を診断する為，吸気による息止めが不可欠である．撮影担当者は，撮影時に息止めが行われていることを確認する必要があるが，経験不足や不注意等から息止め不良を見落とす可能性があった．

【目的】息止め不良の見落としを防ぐため，息止め不良を検出するConvolutional Neural Network(以下CNN)を作成する．

【方法】CNNの学習用に息止め不良患者(不良例)：16症例および良好患者(良好例)：12症例を取得した．その学習用症例より肺底部レベルの肺野内に胸水などを考慮し肺野の大きさに応じた関心領域を設け，大きさに応じて40×40の小領域(パッチ)を6枚または12枚切り取った．切り取った約6000枚に反転処理を加え，約12000枚のパッチを使用し息止め不良の有無を学習させた．新たに検証用として不良例：5症例，良好例：5症例取得し，学習用症例同様の分割処理を検証用症例に行い，約1500枚のパッチを得た．学習後のCNNを用いて，検証用症例のパッチに対して息止め不良の判定を行った．患者単位で，息止め不良と判断されたパッチの割合が30%以上で，患者が息止めできていないと判断した．
【結果】学習用データで息止めができていると判断できたのはパッチ全体の92％，できていないと判断できたのは78％であった．検証用データで息止めができていると判断できたのはパッチ全体の89％，できていないと判断できたのは98％であった．患者単位の判断ではどちらも100％識別できた．