ビジョナリーイメージングサービスの研究領域をご紹介する資料です。将来的には、治験に携わる医用画像解析技術者向けの研修資料にしたいと考えています。ご興味のある方、セミナーなどお問い合わせお待ちしています。

1. +
医用画像情報を探求する。
医用画像解析技術者トレーニング資料（イントロダクション）ver.1.0
MIAT training course “Introduction”
Visionary Imaging Services, Inc.

2. +
さあ、学び始めましょう
撮影技術
学
医用画像情報学撮影機器学
医療情報システム学
医療情報学
放射線医学 医学
エンジニアリング
© Visionary Imaging Services, Inc.

3. +
はじめに
 画像処理や解析はそのプラットフォーム
となるアプリケーションが必要です。
 医用画像情報分野は最終的にアプリケー
ションをアウトプットするため、その開
発プロセスを学ぶことができます。
 ソースを生成するモダリティ
 ソースからの情報の抽出
 抽出した情報の応用
© Visionary Imaging Services, Inc.
このチュートリアルが、あなたにしか
できない画像処理/解析をデザインする
一助になれば嬉しいです。

4. +
医用画像情報を
探求するということ
 イメージングモダリティを理解する
 どうやって画像から情報を抽出するかを
考える
 抽出した情報を応用する方法を考える
 生物医学において重要な何かのデータと
イメージングとの統合を考える
→医用画像情報分野は、医療情報シス
テムに保存されている、あるいは、イ
メージングモダリティから生成される
データを応用するための工夫を考える
分野のひとつです。
© Visionary Imaging Services, Inc.

5. +
医用画像情報を探求す
る先にあるミッション
→増え続けるデータを効率的に利活用
するために、人をサポートする、ある
いは、人を成長させる機能をもつアプ
リケーションの開発
 基礎的な領域
 画像処理や解析
 画像特徴抽出
 画像メタデータ
 CBIR
 画像データから知識リソースへの
アクセスやリンク
 推論やモデリング
 臨床的な領域
 画像データベース、検索エンジン
 CAD
 意思決定支援
開発可能なアプリケーションの例
© Visionary Imaging Services, Inc.

6. +
目次
• メディカルイメージングを少しだけ
• 開発可能なアプリケーション
• なぜわたしたちはコンピュータの助けが必要なの
か？
• コンピュータが画像を理解するためにわたしたち
はどうすればいいだろう？
© Visionary Imaging Services, Inc.

7. +
メディカルイメージングを少しだけ
© Visionary Imaging Services, Inc.

8. + 広義のバイオメディカルイメージング
いろんな技術があります。この他にどんなイメージン
グがあるでしょう？
CT
臓器スケール（マクロ） 細胞スケール 分子/原子スケール
Anatomical
PET/SPECT
原子イメージング
機能的MRI
Functional
ダイナミック画像 光画像
病理画像 DNAイメージング
トラクトグラフィ
マイクロ-CT
プロテイン
イメージング
細胞イメージング
© Visionary Imaging Services, Inc.

9. + 医用画像は物理的な原理を利用して
生成されています。
 上記の電磁波（媒質なしでも伝播）とは別に、音波（媒質ありで伝播）も利用されています。
PET/SP
ECT
レントゲン
CT
光イメージング MRI
γ線
© Visionary Imaging Services, Inc.

10. + 医用画像は生体の様々な正常/異常を知
らせてくれます。
• それぞれの画像には得手不得手があるため、いいと
ころを組み合わせて体内の状態を調べます。
© Visionary Imaging Services, Inc.

11. + 画像からどんなことが分かるのでしょうか？
 画像の種類は何か？
 X-ray, CT, MRI, etc.
 解剖
 脳、肺、肝臓、、
 病理
 腫瘍 or、、
 病態生理
 異常な組織の外見や機能
© Visionary Imaging Services, Inc.

12. + 画像に含まれている何かは、それを生じさせ
た何かを追及することで学ぶことができます。
• 生物学的な異常
を推論するため
に画像から特徴
を探すことがで
きます。時間軸
© Visionary Imaging Services, Inc.

13. +
ミニーおばさん
 年配の女性
 いつも楕円形のメガネをかけています
 いつもピンクのワンピースを着ています
 いつも同じハンドバッグを持っています
 いつも真珠のネックレスを着けています
このような特徴を聞けば、誰もが「ミニーおばさん」と思うでしょう。
© Visionary Imaging Services, Inc.

14. + なんでもルーティーンが決まっているミニーおばさんのように、
画像も典型的なパターンを示してくれます。（もちろんパターン
化が難しい所見もあります。）
認知症
HCC
さまざまな種類の病変を
診断できます。
© Visionary Imaging Services, Inc.

15. + このような医用画像を人の責任のもとで
評価します。
 肝臓内に腫瘍がある
 大きさは、濃度は、形は、
 造影パターンは、
→診断は「〜〜〜」
• 医師や経験豊富な放射線技師であれば、特徴的な情報を得た時点で画像を
見なくても病変が想像できてしまいます。
• 逆に、このような情報がコンピュータ処理できれば、人と同じような評価
がコンピュータでもできるようになるかもしれません。
• このようなデータは今後どのように研究されていくのでしょうか。
© Visionary Imaging Services, Inc.

16. + ”医用画像を理解する”というアプローチへ
 コンピュータの基礎
 アナログ画像とディジタル画像
 画像処理
 画像の定量評価
 医療情報システム
これまでの医用画像情報 これからの医用画像情報
人の頭の中やコンピュータ処理できない形式のデータで蓄積されてきた
画像情報をコンピュータが理解できる形で処理できるようにすることで、
よりよい診断や治療のためのサポートができるようになってきました。
画像データの
取り扱いが中心
生成→情報抽出→分析→応用
これまでの内容に加えて、医用
画像から解釈される特徴を応用
する分野に。
© Visionary Imaging Services, Inc.

17. イメージング機器
画像の可視化
画像処理(Filtering, Registration, Segmentation)
機械学習、ルール・知識リソースマネージメント
レポーティング
アプリケーション (CAD, Expert System, 検索エンジン etc)
画像の解釈（読影）
Post-Processing（最終的な読影のための画像処理）
画像解析（計測、クライテリアに沿った判定や評価）
データアーカイブ
意味的特徴抽出
定量的特徴抽出
全
体
像
© Visionary Imaging Services, Inc.

18. +
重要な化学反応
メディカルイメージング
メディカルイメージング分野と人工知能分野との化学
反応は必須です。
人工知能
© Visionary Imaging Services, Inc.

19. +
開発可能なアプリケーション
ここでは、一例をご紹介していきます。
© Visionary Imaging Services, Inc.

20. +
病変の自動検出
 David Hsu, Vasudev Nambakam, Dana
Yeo, 2013
 Radbound umc from slideshare
 Mayo and IBM
肺の結節を自動検出
脳動脈瘤を自動検出
© Visionary Imaging Services, Inc.

21. +
病変の良悪性判別（CAD）
• これらは、悪性でしょうか？
• サイズは？タイプは？位置
は？・・・いろいろな情報で
クラスタリングを行います。
• 真の確定診断は病理での判断
になるかもしれませんが、前
向き/後ろ向きな研究の結果と
比較することで、陽性である
確率、偽陽性である確率を数
値化できます。
• がんだけでなく、いろいろな
疾患で使える手法です。
• Lung nodule
• Mass(Breast)
© Visionary Imaging Services, Inc.

22. +
自動領域抽出（セグメンテーショ
ン）-体の特定の部位を抽出-
• From Shimizu lab image gallery
• From Freesurfer site
© Visionary Imaging Services, Inc.

23. +
CBIR（疾患ごとの画像のQ/Rな
ど）
Jessica faruque et al:J Med Imaging (Bellingham).
2015 Apr; 2(2): 025501.
類似度を算出
© Visionary Imaging Services, Inc.

24. +
ここまで見てきたよう
なアプリケーションは、
この分野の科学者をワ
クワクさせるものでし
た。
次のスライドから、このようなアプリケー
ションの存在意義について、少しだけ触れ
ていきたいと思います。
→しかし、実際の現場で必要なので
しょうか？現場の方々や、他の分野の
科学者はこのようなアプリケーション
を本当に使ってくれるのでしょうか？
© Visionary Imaging Services, Inc.

25. + なぜわたしたちはコンピュー
タの助けが必要なのか？
（そもそも、、。）前提に目を向けてみましょう。
© Visionary Imaging Services, Inc.

26. +
①膨れ上がり続けるデータ量
 診断のための画像
 医療情報システムが普及
 画像枚数増加
 マルチモダリティ化
 考えなければならない多様性
 生物医学的知識の体系的な理解と知識資源の活用（参考書、論文、
臨床データ、研究データ）
© Visionary Imaging Services, Inc.

27. +
②すべてを知る人はいません。
 人が何かを覚えるには時間がかかります。
 たくさんのことを知ることができても、人は忘れる生き物。
© Visionary Imaging Services, Inc.

28. + ③ひとはミスをすることがあります。
 ヒューマンエラーはなくなりません。医療のリスクを完全にな
くすには、「医療をやらない」以外ありません。（そんなこと
はありえません・・・。）
• Lewinの法則
B=f(P, E)
• Behavior
• Person
• Environment
人間と環境との関係がうまく合致しなければ、人
間・環境それぞれの思った通りにはいかない。
© Visionary Imaging Services, Inc.

29. +
医用画像分野に目を向
けて、もう少し具体的
な課題を見てみます。
 本当はやりたいが物理的に、
統計的に難しいと思われるこ
ともある・・・。
 画像内（1スライス）の情報の増加
 観察するには多すぎる画像の処理
 画像解釈のばらつきの低減
© Visionary Imaging Services, Inc.

30. + ①画像内（1スライス）の情報の増加
 イメージングモダリティ: MRI
 患者の体位: 仰臥位
 断面:横断面
 テクニック: T1w Gd+
 解剖位置: 脳
 異常所見: 腫瘍
 異常所見の特徴:
• サイズ：2.6cm
• 形状：不整形
• 信号強度：まだらに高信号領域
この図に示すラインやポリゴンのある
領域を関心領域（Region Of
Interest:ROI）と呼びます。
© Visionary Imaging Services, Inc.

31. + ②観察したい画像や把握したい情報の増加と
その処理の課題
 スライス枚数は増加
 スライス厚、10mm(50 slice)→5mm(100 slice)→1mm(500 slice)
 シーケンスやプロトコルは増加傾向
 多断面
 疾患ごとにあるシーケンスの種類
 マルチモダリティによる診断アプローチへの変化
 例えばCTのみだった検査→CT+MRI, CT+PET/SPECT, CT+ECHO・・・
 多面的な情報の把握
 マクロな画像だけでなく、分子レベル、細胞レベルの情報、その他診療記
録との関係を考慮（すでに遺伝子レベルも）
© Visionary Imaging Services, Inc.

32. +
③画像解釈のばらつき
 画像診断する医師も人間です。
 所見の見落としのリスク
 誤診のリスク
 画像検査する担当者も人間です。
 なにか変かも？と技師さんや看護
師さんが気付いてくれるかどうか
は場合によります。
WE Barlow, et al; JNCI 96(24):1840-50, 2004
© Visionary Imaging Services, Inc.

33. +
コンピュータを使えば、いくら
か質が上がりそうです。そのた
めにはコンピュータに画像を理
解させる必要があります。
わたしたちは何から手をつけて
いけばいいでしょうか？
1. 医用画像にはどんな情報が含まれているかを機械が読み込める
ようにする
2. 意味的に抽出したデータを蓄積し、そのデータから意思決定に
役立つ情報を抽出する
3. アプリケーション化を目指す
© Visionary Imaging Services, Inc.

34. +
医用画像情報を機械が
読み込めるようにする。
• 臨床情報、画像データをデータ
ベースの引き出しにしまっておい
ても、宝探しはできません。
• 画像の特徴を機械に処理できるよ
うに工夫してあげなければなりま
せん。
画像の特徴とは？
 画像の領域の情報
 アプリケーションソフトによって処理できる
 ポイント、線、角度、円、任意形状、画像の
特徴に関するテキストなどの特定の手法で表
される
 2つのタイプ
 定量的な特徴：検査条件、テクスチャ、計測
値を使ったなんらかのアルゴリズムによる計
算処理結果など
 意味的な特徴：ひとが観察したもの、説明し
たもの
© Visionary Imaging Services, Inc.

35. +
各特徴の具体的な抽出方法
定量的特徴
 画像の特定の領域を処理できるコンピュータプログラムで抽出
意味的特徴
 医師が画像から解釈する
 人が記録する構造化データによるキャプチャ
© Visionary Imaging Services, Inc.

36. +
定量的な特徴
© Visionary Imaging Services, Inc.

37. +
定量的な特徴の例
 ROIライン
 ライン長さ: 2.667cm
 ROIポリゴン
 面積：3.945cm2
 信号強度（Ave） = 383.3
 信号強度（SD） = 88.4
 周囲長= 8.03cm
 ・・・
それぞれの情報は
一次元
0
© Visionary Imaging Services, Inc.

38. +
定量的な特徴の応用
 定量的な特徴の応用例
 定義済み画像特徴を利用する
 機械学習によるクラスタリング
© Visionary Imaging Services, Inc.

39. +
定量的な特徴の応用例
定義済みの人造の画像特徴で比較する
• Shape:
• Edge
• Texture（scale, directions）
QIBA CTボリューメトリグループ：
Reference Image Dataset for CT Volume with known
Ground truth
© Visionary Imaging Services, Inc.

40. +
定量的な特徴の応用例
機械学習によるクラスタリング
 脳の視覚処理を模した階層的な処理
 入力されたデータから直接的に特徴を計算
 低い階層のものから高いレベルの特徴（レイヤ）を定義し、抽象度
の高いものを出力する
© Visionary Imaging Services, Inc.

41. +
意味的な特徴
© Visionary Imaging Services, Inc.

42. +
意味的な特徴
 ひとが画像について解釈した何か
 Ontology（構造化データ）で説明される（多次元情報）
 形式はいくつもある
© Visionary Imaging Services, Inc.

43. + 構造化されていない画像データは
二次利用が困難
 非構造化データ
 暗黙的なデータ
 機械可読に制限あり
 形式はバラバラ
 画像、検査、テスト結果など
 構造化データ
 意味が明示されたデータ
 機械可読
 属性や統制用語の形式化
 臨床データ、生物学的データ
肝右葉に4×3cm大の転移と思われ
る低濃度の腫瘍があります。
人は文章（非構造化データ）を読
めばわかるが、機械はわからない
臓器 = 肝臓
位地 = 右葉
診断名 = 転移
確信度 = 高い
機械がわかる
ように構造化
© Visionary Imaging Services, Inc.

44. + 構造化データを使うことで、機械処理が
できます。
 概念を構造化すれば、このように整理させることができます。
引用元：MEDICINE 2020: PRECISION PRACTICE WITH BIG DATA
© Visionary Imaging Services, Inc.

45. + 意味的な特徴はオントロジーの知識表現によって体系
化され、多次元の特徴ベクトルとして表すことができ
ます。
• パターン認識では、特徴
の選択が重要となります。
意味的な特徴は、キーと
なる特徴を体系化してい
るため、疾患のクラスタ
リングの助けになります。
輪郭
信号強度
造影効果
解剖学的位置
サイズ
既往歴
家族歴
• 単純に分類でき
ないものでも、
意味的な特徴を
比べることで分
類できるように
なります。
© Visionary Imaging Services, Inc.

46. +
意味的な特徴はOntologyの構造を利
用して抽出できます。
 オントロジーが提供するもの:
 統制用語
 相互運用性のある属性のシンタックス
 クラスとクラスの関係付け
 人間と機械が可読
 クラスとクラス間の属性関係利用した柔軟な情報リンク
 条件の複雑なクエリ・リトリーブを可能に
 機械が処理する推論を可能に
© Visionary Imaging Services, Inc.

47. +
RadLex（RadLex Playbook含む）
 放射線医学的なオントロジー（詳細は検索してください）
© Visionary Imaging Services, Inc.

48. +
JJ1017オントロジー
 日本における画像検査オントロジー
• 画像検査や放射線治療の手
技情報をオントロジーとし
て体系化した構造化データ
T Kobayashi et al:Development of a Knowledge-based
Application Utilizing Ontologies for the Continuing Site-
specific JJ1017 Master Maintenance
© Visionary Imaging Services, Inc.

49. +
意味的な特徴の応用
 検索性の向上
 情報をまとめる
 意思決定支援
 他のデータとの統合とRadiogenomics
© Visionary Imaging Services, Inc.

50. +
検索性の向上
 画像の意味的なマークアップを活用していろいろな側面から画
像を検索できるようになります。（前述のCBIRのように）
WebMedSA: A Web-based Framework for Segmenting and Annotating Medical Images using Biomedical Ontologies
キーワード：
DICOMサーバ×SPARQL
© Visionary Imaging Services, Inc.

51. +
情報をまとめる
 キー情報をまとめたテンプレートを使って、必要な情報をまと
めることができます。
 煩雑な情報を標準化（全体として一貫した考えに沿う）
 ミッシングピースの防止（取りこぼしが無いように）
• 情報を効率的に受け取る例：Google knowledge graph
医用画像はDICOMを使うことで
画像情報を標準的な方法で利用できます。
• 構造化画像診断レポート
© Visionary Imaging Services, Inc.

52. +
意思決定支援
 意味的な特徴とベイジアンネットワークを利用して良性・悪性
の鑑別支援や、疾患の鑑別支援ができるようになります。
このインターフェース
で定義されている概念
間の関係を考慮しなが
ら、統計的な指標を算
出することができます。
Biomedical Informatics:
Computer Applications in
Health Care and
Biomedicine, p322.
© Visionary Imaging Services, Inc.

53. + 他のデータとの統合とRadiogenomics
 キー情報をまとめたテンプレートを使って、必要な情報をまとめることができます。
 統合例として、乳がんの遺伝子発現解析結果と画像データとの関連を調べる研究をご紹介
します。
病理
ラボデータ
患者背景
S Yamamoto et al:Radiogenomic Analysis of Breast Cancer
Using MRI: A Preliminary Study to Define the Landscape
Link
Next…
様々なデータを
統合した考察が可能に
© Visionary Imaging Services, Inc.

54. +
現時点での課題
© Visionary Imaging Services, Inc.

55. +
医用画像情報を追求す
るプロセスの中で課題
はあります。
 イメージングモダリティを理解する
 どうやって画像から情報を抽出するかを
考える
 抽出した情報を応用する方法を考える
 生物医学において重要な何かのデータと
イメージングとの統合を考える
目先の課題は、どうやって画
像から情報を抽出するか？
プ
ロ
セ
ス
© Visionary Imaging Services, Inc.

56. +ひとだけでなく
機械がデータを
理解できるよう
にするための工
夫が課題になっ
ていす。
 必要なデータは構造化データへ
 診断レポートは構造化レポートに
 画像上の記録はマークアップ（柔軟に機械
処理可能にするためのオブジェクト化）が
できるROIに
 セマンティックなデータ（オントロ
ジーなど）が標準的なシンタックス
や統制用語として普及
 オントロジーの開発と普及が必要
全体的に見ると、
この辺りの領域の
目先の課題です。
現状の画像特徴抽出の課題
© Visionary Imaging Services, Inc.

57. +
まとめ
 医用画像情報を探求するということ
 イメージングモダリティを理解する
 どうやって画像から情報を抽出するか
を考える
 抽出した情報を応用する方法を考える
 生物医学において重要な何かのデータ
とイメージングとの統合を考える
 医用画像情報のミッション
1. 医用画像にはどんな情報が含まれて
いるかを機械が読み込めるようにす
る
2. 意味的に抽出したデータを蓄積し、
そのデータから意思決定に役立つ情
報を抽出する
3. アプリケーション化を目指す
医用画像情報で考えることと今考えら
れているミッションを振り返りましょ
う。
© Visionary Imaging Services, Inc.

58. +
最後に
 ぜひ医用画像情報を自分の力にして下さ
い。
 この分野の研究は、しばしば古典的に思
えることもあります。そういう想いが頭
をよぎった時は、自分の常識を疑って取
り組んでみるといいかもしれません。
• 常識とは18歳までに身に付
けた偏見のコレクションの
ことを言う
© Visionary Imaging Services, Inc.

59. +
MIATトレーニング講座
「イントロダクショ
ン」はこれで終了です。
お疲れ様でした。
次回から、放射線医学領域のイメージ
ングモダリティを学んでいきましょ
う！
（次回講義のご連絡）
予習：edX（UQx BIOIMG101）
Have Fun.
© Visionary Imaging Services, Inc.

60. +
ご質問は以下の担当者へ
小林達明（Kobayashi Tatsuaki）
t_kobayashi@vis-ionary.com
© Visionary Imaging Services, Inc.