ログイン
ランキング
お知らせ
ログイン
文献詳細
文献概要
連載 脳神経外科と数理学
（7）人工知能技術と医用画像処理
著者： 小林和馬123
所属機関： 1国立がん研究センター研究所がん分子修飾制御学分野 2理化学研究所革新知能統合研究センターがん探索医療研究チーム 3東京医科歯科大学生命理工医療科学専攻（博士課程）
ページ範囲：P.654 - P.664
文献購入ページに移動Ⅰ．はじめに
現代の医療，特にがん治療では，診断，治療方針の決定，治療および経過観察のいずれの過程においても，医用画像とそれを処理するための高度な画像解析技術が重要な役割を果たしている．その結果，日々の診療において質的・量的に膨大なデジタルデータが蓄積されてきたが，その多くは臨床における役割を果たした後，単なる「写真」として保管されるにとどまっていた．
しかしながら，近年の計算資源およびアルゴリズムの飛躍的な進歩に伴って，こうした医用画像を貴重なデータ資源としてコンピュータによる解析の俎上に載せることで，臨床意思決定支援や画像診断補助，院内安全対策，診療における各種のスループット向上など，さまざまな現実的な課題解決のための糸口にしようという機運が世界的に高まっている．特に本邦は，経済協力開発機構（OECD）諸国の中で，CTやMRIなどの画像診断装置を人口あたりで最も多く有している．その中で，人工知能技術と医用画像処理を組み合わせた臨床支援システムを確立することは，個別化・精密化された医療体系に寄与するのみならず，高齢化で逼迫する本邦の医療の持続可能性という観点からも急務である．
本稿では，人工知能技術と医用画像処理という観点から，その要素技術としての画像定量化手法や深層畳み込みニューラルネットワークを概観するとともに，各分野における最新の医用画像応用の成果について紹介する．
現代の医療，特にがん治療では，診断，治療方針の決定，治療および経過観察のいずれの過程においても，医用画像とそれを処理するための高度な画像解析技術が重要な役割を果たしている．その結果，日々の診療において質的・量的に膨大なデジタルデータが蓄積されてきたが，その多くは臨床における役割を果たした後，単なる「写真」として保管されるにとどまっていた．
しかしながら，近年の計算資源およびアルゴリズムの飛躍的な進歩に伴って，こうした医用画像を貴重なデータ資源としてコンピュータによる解析の俎上に載せることで，臨床意思決定支援や画像診断補助，院内安全対策，診療における各種のスループット向上など，さまざまな現実的な課題解決のための糸口にしようという機運が世界的に高まっている．特に本邦は，経済協力開発機構（OECD）諸国の中で，CTやMRIなどの画像診断装置を人口あたりで最も多く有している．その中で，人工知能技術と医用画像処理を組み合わせた臨床支援システムを確立することは，個別化・精密化された医療体系に寄与するのみならず，高齢化で逼迫する本邦の医療の持続可能性という観点からも急務である．
本稿では，人工知能技術と医用画像処理という観点から，その要素技術としての画像定量化手法や深層畳み込みニューラルネットワークを概観するとともに，各分野における最新の医用画像応用の成果について紹介する．
参考文献
1) Aerts HJ, Velazquez ER, Leijenaar RTH, Parmar C, Grossmann P, Cavalho S, Bussink J, Monshouwer R, Haibe-Kains B, Rietveld D, Hoebers F, Rietbergen MM, Leemans CR, Dekker A, Quackenbush J, Gillies RJ, Lambin P：Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun 5：4006, 2014
2) Brown R, Zlatescu M, Sijben A, Roldan G, Easaw J, Forsyth P, Parney I, Sevick R, Yan E, Demetrick D, Schiff D, Cairncross G, Mitchell R：The use of magnetic resonance imaging to noninvasively detect genetic signatures in oligodendroglioma. Clin Cancer Res 14：2357-2362, 2008
-mutated patients with gliomas. Nat Med 18：624-629, 2012
4) Goodfellow IJ, Pouget-Abadie J, Mirza M, Xu B, Warde-Farley D, Ozair S, Courville A, Bengio Y：Generative adversarial networks. NIPS, 2014 https://papers.nips.cc/paper/5423-generative-adversarial-nets.pdf（2019年12月20日アクセス）
5) Henneman WJP, Sluimer JD, Barnes J, van der Flier WM, Sluimer IC, Fox NC, Scheltens P, Vrenken H, Barkhof F：Hippocampal atrophy rates in Alzheimer disease：added value over whole brain volume measures. Neurology 72：999-1007, 2009
6) Hirata Y, Matsuda H, Nemoto K, Ohnishi T, Hirao K, Yamashita F, Asada T, Iwabuchi S, Samejima H：Voxel-based morphometry to discriminate early Alzheimer's disease from controls. Neurosci Lett 382：269-274, 2005
7) Isola P, Zhu J-Y, Zhou T, Efros AA：Image-to-image translation with conditional adversarial networks. CVPR, 2017 https://arxiv.org/pdf/1611.07004.pdf（2019年12月20日アクセス）
8) Jian B, Vemuri BC：Robust point set registration using Gaussian mixture models. IEEE Trans Pattern Anal Mach Intell 33：1633-1645, 2011
9) Kingma DP, Welling M：Auto-encoding variational bayes. ICLR, 2014 https://arxiv.org/pdf/1312.6114.pdf（2019年12月20日アクセス）
10) Kobayashi K, Murakami N, Wakita A, Nakamura S, Okamoto H, Umezawa R, Takahashi K, Inaba K, Igaki H, Ito Y, Shigematsu N, Itami J：Dosimetric variations due to interfraction organ deformation in cervical cancer brachytherapy. Radiother Oncol 117：555-558, 2015
11) Kobayashi K, Murakami N, Inaba K, Wakita A, Nakamura S, Okamoto H, Sato J, Umezawa R, Takahashi K, Igaki H, Ito Y, Shigematsu N, Itami J：Dose reconstruction technique using non-rigid registration to evaluate spatial correspondence between high-dose region and late radiation toxicity：a case of tracheobronchial stenosis after external beam radiotherapy combined with endotracheal brachytheray for tracheal cancer. J Contemp Brachytherapy 8：156-163, 2016
12) Kobayashi K：Modern computational technologies for establishing precision brachytherapy：From non-rigid image registration to deep learning. Yoshioka Y, Itami J, Oguchi M, Nakano T（eds）：Brachytherapy. Springer Nature, Berlin, 2019, pp.23-34
I seed implantation. In Vivo 33：2103-2111, 2019
14) Krizhevsky A, Sutskever I, Hinton GE：ImageNet classification with deep convolutional neural networks. NIPS 1097-1105, 2012 https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf（2019年12月20日アクセス）
15) Kudo A, Kitamura Y, Li Y, Iizuka S, Simo-Serra E：Virtual thin slice：3D conditional GAN-based super-resolution for CT slice interval. MLMIR, 2019 https://arxiv.org/pdf/1908.11506.pdf（2019年12月20日アクセス）
16) Lei Y, Wang T, Liu Y, Higgins K, Tian S, Liu T, Mao H, Shim H, Curran WJ, Shu H-K, Yang X：MRI-based synthetic CT generation using deep convolutional neural network. Angelini ED, Landman BA（eds）：Medical Imaging 2019：Image Processing, SPIE, Toulouse, 2019, p.100
17) Petersen RC, Roberts RO, Knopman DS, Boeve BF, Geda YE, Ivnik RJ, Smith GE, Jack CR Jr：Mild cognitive impairment：ten years later. Arch Neurol 66：1447-1455, 2009
18) Rezende DJ, Mohamed S, Wierstra D：Stochastic backpropagation and approximate inference in deep generative models. ICML, 2014 https://arxiv.org/pdf/1401.4082.pdf（2019年12月20日アクセス）
19) Ronneberger O, Fischer P, Brox T：U-Net：convolutional networks for biomedical image segmentation. MICCAI, 2015 https://arxiv.org/pdf/1505.04597.pdf（2019年12月20日アクセス）
promoter methylation for prognostication of newly diagnosed glioblastoma. Sci Rep 9：14435, 2019
21) Simonyan K, Zisserman A：Very deep convolutional networks for large-scale image recognition. ICLR, 2015 https://arxiv.org/pdf/1409.1556.pdf（2019年12月20日アクセス）
22) Zhu JY, Park T, Isola P, Efros AA：Unpaired image-to-image translation using cycle-consistent adversarial networks. ICCV, 2017 https://arxiv.org/pdf/1703.10593.pdf（2019年12月20日アクセス）
掲載誌情報
