More Related Content
Similar to AI&medical imaging in japan 2018 (20)
AI&medical imaging in japan 2018
- 2. © 20181204 @Tdys13 2
本スライドは製作者が趣味でリサーチしていたものをまとめ,
11⽉に「AI×医⽤画像」というテーマで講演をした際のスライドです.
(イメージとして,この分野に⻑けている⽅ではなく
なんとなく知っている,もっと知りたい⽅向けに作成させて頂きました.)
きちんと出典元から情報を引⽤し,まとめたつもりではありますが,
⾄らぬ点が点在する可能性がございます.
その際は何なりとお知らせしていただけると幸いです
このスライドを⼿に取ってくれる⽅に
AI×医療の難しさと⾯⽩さが伝わりますことを願って.
20181204
- 5. © 20181204 @Tdys13
-所属-
⽴命館⼤学 情報理⼯学研究科 修⼠2年
- 研究テーマ -
「深層学習を⽤いたCT画像に映る肝臓腫瘍候補⾃動検出」
分野:医⽤画像処理,機械学習,深層学習
-略歴-
2017.4 ⽴命館⼤学 ⼤学院 ⼊学
2017.8 ~ 11 シンガポール国⽴情報研究所
(A*star/i2r Knowledge-Assisted Vision Lab)
-好きなもの-
#最新テクノロジー,#ヘルスケア,#アイス
(20181204時点)
5
轟 佳⼤ (トドロキ ヨシヒロ)
:@Tdys13
- 7. © 20181204 @Tdys13 7
⼈⼯知能(AI)について
引用:
・AI demystified
https://www.callaghaninnovation.govt.nz/blog/ai-demystified
- 8. © 20181204 @Tdys13 8
⼈⼯知能(AI)について
引用:
・AI demystified
https://www.callaghaninnovation.govt.nz/blog/ai-demystified
- 9. © 20181204 @Tdys13 9
⼈⼯知能(AI)について
引用:
・NVIDIA ブログ 人工知能、機械学習、ディープラーニングの違いとは
https://blogs.nvidia.co.jp/2016/08/09/
whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/
- 10. © 20181204 @Tdys13 10
⼈⼯知能(AI)について
引用:
・NVIDIA ブログ 人工知能、機械学習、ディープラーニングの違いとは
https://blogs.nvidia.co.jp/2016/08/09/
whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/
- 11. © 20181204 @Tdys13 11
医⽤画像処理について
- MRI
- CT
- PET
- X線
- 超⾳波
- 内視鏡
- 細胞画像
- その他撮影⼿法
(眼底画像など)
- 病変検出
- 病変分類
- セグメテーション
- ⽣成
- 超解像
- 推定(動作)
- 画像処理
- パターン認識
- 機械学習
- 深層学習
- 教師あり学習
- 半教師あり学習
- 教師なし学習
< 医⽤画像 > < ⼿法 > < 最終⽬的 >
- 12. © 20181204 @Tdys13 12
医⽤画像処理について
2017 Nature Letterに投稿されたStanford University研究グループの論⽂
『⽪膚の病変画像』を『深層学習(教師あり学習)』にて『分類』した
引用:
・Esteva, Andre, et al. "Dermatologist-level classification of skin cancer
with deep neural networks." Nature 542.7639 (2017): 115.
- 13. © 20181204 @Tdys13 13
医⽤画像処理について
- MRI
- CT
- PET
- X線
- 超⾳波
- 内視鏡
- 細胞画像
- その他撮影手法
(眼底画像など)
- 病変検出
- 病変分類
- セグメテーション
- ⽣成
- 超解像
- 推定(動作)
- 画像処理
- パターン認識
- 機械学習
- 深層学習
- 教師あり学習
- 半教師あり学習
- 教師なし学習
< 医⽤画像 > < ⼿法 > < 最終⽬的 >
- 14. © 20181204 @Tdys13 14
医⽤画像処理について
- MRI
- CT
- PET
- X線
- 超⾳波
- 内視鏡
- 細胞画像
- その他撮影手法
(眼底画像など)
- 病変検出
- 病変分類
- セグメテーション
- ⽣成
- 超解像
- 推定(動作)
- 画像処理
- パターン認識
- 機械学習
- 深層学習
- 教師あり学習
- 半教師あり学習
- 教師なし学習
< 医⽤画像 > < ⼿法 > < 最終⽬的 >
⽣成モデル
GAN…
検出モデル
SSD,Yolo,Fast-RCNN…
分類モデル
VGG,Inception,ResNet…
セグメンテーションモデル
FCN,Unet…
その他モデル
Bert,R2D2…
- 16. © 20181204 @Tdys13 16
遺伝子解析
◎検診・早期発見
◎診断
治療
予兆・予防
現状は診断⽀援の際に⽤いることを前提に
研究や実⽤化されていることが多い(医⽤画像を⽤いたもの)
AIの医療応⽤
- 17. © 20181204 @Tdys13 17
深層学習×医⽤画像の研究トレンド
医⽤画像処理のトップカンファレンス
Computer Vision分野の
トップカンファレンス
機械学習分野の
トップカンファレンス
- 18. © 20181204 @Tdys13 18
深層学習×医⽤画像の研究トレンド
医⽤画像処理の世界的コンペティション
引用:
・kaggle
https://www.kaggle.com/competitions?sortBy=grouped&group=inClass
・Grand Challenges in Biomedical Image Analysis
https://grand-challenge.org/challenges/
- 19. © 20181204 @Tdys13 19
2015年以降,深層学習×医⽤画像の論⽂が急増した
深層学習×医⽤画像の研究トレンド(最新)
※2017年1⽉時点
医⽤画像分野の論⽂数
引用:
・ Litjens, Geert, et al.
"A survey on deep learning in medical image analysis."
Medical image analysis 42 (2017): 60-88.
- 20. © 20181204 @Tdys13 20
医⽤画像分野でのAI応⽤は年々増加している
深層学習×医⽤画像の研究トレンド(最新)
医⽤画像分野の論⽂数
引用:
・AIが医療画像分野でも革新を起こせるか?
NVIDIAが掲げる最新の「プロジェクト・クララ」(Project Clara)」とは
https://robotstart.info/2018/05/11/nvidia-clara.html
- 22. © 20181204 @Tdys13 22
MRI,内視鏡,CTの順に多い
深層学習×医⽤画像の研究トレンド(最新)
医⽤画像研究にて使⽤される画像
引用:
・ Litjens, Geert, et al.
"A survey on deep learning in medical image analysis."
Medical image analysis 42 (2017): 60-88.
- 23. © 20181204 @Tdys13 23
臓器のセグメンテーション,病変等の検出が多い
深層学習×医⽤画像の研究トレンド(最新)
医⽤画像研究の⽬的
引用:
・ Litjens, Geert, et al.
"A survey on deep learning in medical image analysis."
Medical image analysis 42 (2017): 60-88.
- 24. © 20181204 @Tdys13 24
病理画像,脳の順に多い
深層学習×医⽤画像の研究トレンド(最新)
医⽤画像研究にて対象となる部位
引用:
・ Litjens, Geert, et al.
"A survey on deep learning in medical image analysis."
Medical image analysis 42 (2017): 60-88.
- 25. © 20181204 @Tdys13 25
部位別の世界研究トレンド分布(脳部)
<脳部の研究>
・メインはEU(イギリス),北⽶(アメリカ,カナダ)
・その他は東アジア(台湾),ロシア
・脳腫瘍,脳⾎管疾病,アルツハイマー
深層学習×医⽤画像の研究トレンド(最新)
研究が盛んに行われている研究が行われている
※2018年11⽉時点
とどろき調べ
- 26. © 20181204 @Tdys13 26
深層学習×医⽤画像の研究トレンド(最新)
部位別の世界研究トレンド分布(乳部)
<乳部の研究>
・メインはEU(イギリス),アメリカ
・その他は東アジア(⽇本,台湾),南アフリカ,
オーストラリア
・乳がんがほとんど
研究が盛んに行われている研究が行われている
※2018年11⽉時点
とどろき調べ
- 27. © 20181204 @Tdys13 27
深層学習×医⽤画像の研究トレンド(最新)
部位別の世界研究トレンド分布(肺部)
<肺部の研究>
・メインは中国とアメリカ
・その他はEU(フランス)とオーストラリア
・肺結節,肺炎など
研究が盛んに行われている研究が行われている
※2018年11⽉時点
とどろき調べ
- 28. © 20181204 @Tdys13 28
深層学習×医⽤画像の研究トレンド(最新)
部位別の世界研究トレンド分布(腹部)
<腹部の研究>
・メインは東アジア(中国,台湾,⽇本)
・その他はEUとアメリカ
・肝臓腫瘍がほとんど
研究が盛んに行われている研究が行われている
※2018年11⽉時点
とどろき調べ
- 29. © 20181204 @Tdys13 29
深層学習×医⽤画像の研究トレンド(最新)
部位別の世界研究トレンド分布(病理)
<病理の研究>
・メインはEU(イギリス,ドイツ),アメリカ
・その他は東アジア(シンガポール),ロシア,
・がん細胞,細胞分裂など
研究が盛んに行われている研究が行われている
※2018年11⽉時点
とどろき調べ
- 30. © 20181204 @Tdys13 30
深層学習×医⽤画像の研究トレンド
<頭部>
脳:脳腫瘍,アルツハイマー,脳⾎管疾患
⽬:糖尿病網膜症,緑内障
⻭:⼝腔内病変
<胸部>
⼼臓:⾎管,脂肪
乳部:腫瘍
肺 :肺結節,肺炎
胃 :腫瘍,胃潰瘍
<腹部>
肝臓:腫瘍,肝臓部
腸 :腫瘍
<その他>
病理-細胞:がん細胞,細胞分裂
⽪膚- :腫瘍
- 31. © 20181204 @Tdys13 31
深層学習×医⽤画像の研究トレンド
<頭部>
脳:脳腫瘍(検出,セグメンテーション),アルツハイマー(検出,分類),脳⾎管疾患(検出)
⽬:糖尿病網膜症(検出),緑内障(検出)
⻭:⼝腔内病変(検出.セグメンテーション)
<胸部>
⼼臓:⾎管(検出),脂肪(セグメンテーション)
乳部:腫瘍(検出,分類)
肺 :肺結節(検出,分類),肺炎(検出)
胃 :腫瘍(検出),胃潰瘍(検出)
<腹部>
肝臓:腫瘍(検出,分類,セグメンテーション),肝臓部(⽣成)
腸 :腫瘍(検出,分類)
<その他>
病理-細胞:がん細胞(検出,分類,セグメンテーション),細胞分裂(検出)
⽪膚- :腫瘍(分類)
- 検出
- 分類
- セグメテーション
- ⽣成
- 超解像
- 推定(動作)
<ジャンル>
- 32. © 20181204 @Tdys13 32
『AI×医⽤画像』の現状と将来
⼀旦休憩
<ひと⼝メモ>
・最新の医⽤画像トップカンファでは⼤半の研究が深層学習になった
・世界的には病理画像や脳病変の研究が多い
・部位や病変によっては地域性がある
- 33. © 20181204 @Tdys13 33
深層学習×画像処理のトレンド
元画像:bench
検出 分類 セグメンテーション ⽣成
bench
ベンチを⾒つける 画像に映る
割合が⾼い物体が
何なのか分類する
画像に映る物体を
分類した上で
領域抽出する
元画像をベースに
似ている画像を作る
bench: 98%
dog : 1%
train : 0.5%
⽬的別の違いをざっくり説明
- 34. © 20181204 @Tdys13 34
深層学習×画像処理のトレンド(モデルについて)
ILSVRCという画像分類コンペティション
このコンペティションが深層学習ブーム(3度⽬)を巻き起こした
- 35. © 20181204 @Tdys13 35
2012 トロント⼤学 Hinton博⼠(現Google)
深層学習×画像処理のトレンド(モデルについて)
引用:
・Dr.Hinton
https://scholar.google.co.uk/citations?user=JicYPdAAAAAJ&hl=en
- 36. © 20181204 @Tdys13 36
2014 オックスフォード⼤学の研究室 Visual Geometry Group(VGG,現DeepMind)
深層学習×画像処理のトレンド(モデルについて)
引用:
・VGG_oxford
https://scholar.google.co.uk/citations?user=JicYPdAAAAAJ&hl=en
- 38. © 20181204 @Tdys13 38
2015 Kaiming He(Facebook AI Research)
深層学習×画像処理のトレンド(モデルについて)
引用:
・Kaiming_He
https://scholar.google.com/citations?user=DhtAFkwAAAAJ&hl=ja
- 39. © 20181204 @Tdys13 39
AlexNet, VGG, GoogleNet, ResNetなどの深層学習モデルは
このコンペにて性能が証明され,世界に広まった
深層学習×画像処理のトレンド(モデルについて)
- 40. © 20181204 @Tdys13 40
ResNetのアルゴリズムはAlphaGoに搭載され,世界最強棋⼠に勝った
深層学習×画像処理のトレンド(モデルについて)
引用:
・アルファ碁vsあなた それは公平な勝負ではない 2016 0323
https://backyard.imjp.co.jp/articles/shelly_blog_22
- 41. © 20181204 @Tdys13 41
『AI×医⽤画像』の現状と将来
⼀旦休憩
<ひと⼝メモ>
・物体分類コンペで優勝したモデルがDL界の当たり前を作った
・モデルが深くなり計算資源が益々必要になっているが,
それと同時に計算資源も進歩している
・とにかくスピードが早い!
- 42. © 20181204 @Tdys13 42
深層学習×画像処理のトレンド(⼀般物体検出)
⼀般物体検出における検出タスクは
“バウンディングボックス” と呼ばれる物体の⼤枠を推測することが⽬的
- 45. © 20181204 @Tdys13 45
YOLOv2(YOLO9000)&RefineDetにてSOTA*1を迎える
深層学習×画像処理のトレンド(⼀般物体検出)
⼀般物体検出タスクにおける深層学習モデルの流れ
*1SOTA:state-of-the-art 最も結果の良い最新⼿法の意
- 46. © 20181204 @Tdys13 46
『X線画像』を⽤いて『深層学習』で『肺部疾病の検出&分類』をした
深層学習×画像処理のトレンド(医⽤画像-検出)
引用: ・Wang, Xiaosong, et al.
"Chestx-ray8: Hospital-scale chest x-ray database and benchmarks
on weakly-supervised classification and localization of common thorax diseases."
Computer Vision and Pattern Recognition (CVPR), 2017 IEEE Conference on. IEEE, 2017.
- 47. © 20181204 @Tdys13 47
CTやMRIでの検出タスクはヒートマップが使われることがある
(病変の位置を⾒るため)
<技術概要>
Trainデータ : 8種類の疾病含む
胸部X線画像“ChestX-ray8”
使⽤ネットワーク : AlexNet,GoogleNet
VGG,ResNet
⼊⼒(Testデータ) : 未知の胸部x線画像
出⼒ : 病変名&病変位置
深層学習×画像処理のトレンド(医⽤画像-検出)
引用: ・Wang, Xiaosong, et al.
"Chestx-ray8: Hospital-scale chest x-ray database and benchmarks
on weakly-supervised classification and localization of common thorax diseases."
Computer Vision and Pattern Recognition (CVPR), 2017 IEEE Conference on. IEEE, 2017.
- 48. © 20181204 @Tdys13 48
散らばっているデータを整理し,データセットを作成した
(世界中の誰でもが使える形に精製した)
深層学習×画像処理のトレンド(医⽤画像-検出)
<技術概要>
Trainデータ : 8種類の疾病含む
胸部X線画像“ChestX-ray8”
使⽤ネットワーク : AlexNet,GoogleNet
VGG,ResNet
⼊⼒(Testデータ) : 未知の胸部x線画像
出⼒ : 病変名&病変位置
引用: ・Wang, Xiaosong, et al.
"Chestx-ray8: Hospital-scale chest x-ray database and benchmarks
on weakly-supervised classification and localization of common thorax diseases."
Computer Vision and Pattern Recognition (CVPR), 2017 IEEE Conference on. IEEE, 2017.
- 49. © 20181204 @Tdys13 49
『腹部CT画像』を⽤いて『CNN』で『肝臓腫瘍の検出』をした
深層学習×画像処理のトレンド(医⽤画像-検出)
引用 : pre-submitting Todoroki_Yoshihiro
- 50. © 20181204 @Tdys13 50
CTやMRIでの検出タスクは『腫瘍のみの結果画像』が返されることが多い
<技術概要>
Trainデータ : 5種類の腫瘍を含む
腹部CT画像
使⽤ネットワーク : Mics-CNN(提案モデル)
⼊⼒(Testデータ) : 未知の腹部CT画像
出⼒ : 腫瘍の場所
深層学習×画像処理のトレンド(医⽤画像-検出)
Red : TP / Green : FP / Blue : FN
引用 : pre-submitting Todoroki_Yoshihiro
- 51. © 20181204 @Tdys13 51
『内視鏡画像』を⽤いて『SSD』で『⼤腸病変の検出』をした
深層学習×画像処理のトレンド(医⽤画像-検出)
引用 : ・Aoki, Tomonori, et al.
"Automatic detection of erosions and ulcerations in wireless capsule endoscopy images
based on a deep convolutional neural network."
Gastrointestinal Endoscopy(2018).
- 52. © 20181204 @Tdys13 52
内視鏡画像系や⽪膚系タスクでは,⼤枠で囲う検出表⽰⽅法がメイン
<技術概要>
Trainデータ : 内視鏡画像
(5,360枚)
使⽤ネットワーク : SSD
⼊⼒(Testデータ) : 未知の内視鏡画像
(10,440枚)
出⼒ : 腫瘍の場所
深層学習×画像処理のトレンド(医⽤画像-検出)
⻩枠:医師により検出された病変
緑枠:AIにより検出された病変
引用 : ・Aoki, Tomonori, et al.
"Automatic detection of erosions and ulcerations in wireless capsule endoscopy images
based on a deep convolutional neural network."
Gastrointestinal Endoscopy(2018).
- 53. © 20181204 @Tdys13 53
『AI×医⽤画像』の現状と可能性(研究のトレンド編)
まとめ(検出タスク)
<ひと⼝メモ>
・CTやMRIでの検出タスクは
ヒートマップやセグメンテーションのような結果を返すことが多い
・内視鏡画像や⽪膚画像での検出タスクは
⼀般物体検出で⽤いられるモデル(YOLOなど)を⽤いた検出が多い
- 54. © 20181204 @Tdys13 54
深層学習×画像処理のトレンド(⼀般物体分類)
ILSVRCという画像分類コンペティション
このコンペティションが深層学習ブーム(3度⽬)を巻き起こした
- 55. © 20181204 @Tdys13 55
深層学習×医⽤画像のトレンド(医⽤画像-分類)
『⽪膚の病変画像』を『GoogLeNet(Inception v3)』にて『腫瘍の分類』をした
引用:
・Esteva, Andre, et al. "Dermatologist-level classification of skin cancer
with deep neural networks." Nature 542.7639 (2017): 115.
- 56. © 20181204 @Tdys13 56
757種類の⽪膚病変画像を学習させ,未知な病変を「757種&悪性度」にて分類した
<技術概要>
Trainデータ : 757種類の⽪膚病変画像
(約13万枚)
使⽤ネットワーク: Inception v3
⼊⼒(Testデータ) : 未知の病変画像
出⼒ : 病変名(+悪性度)
深層学習×医⽤画像のトレンド(医⽤画像-分類)
引用:
・Esteva, Andre, et al. "Dermatologist-level classification of skin cancer
with deep neural networks." Nature 542.7639 (2017): 115.
- 57. © 20181204 @Tdys13 57
分類精度は現役の⽪膚科医の分類精度を超えた
深層学習×医⽤画像のトレンド(医⽤画像-分類)
<技術概要>
Trainデータ : 757種類の⽪膚病変画像
(約13万枚)
使⽤ネットワーク: Inception v3
⼊⼒(Testデータ) : 未知の病変画像
出⼒ : 病変名(+悪性度)
引用:
・Esteva, Andre, et al. "Dermatologist-level classification of skin cancer
with deep neural networks." Nature 542.7639 (2017): 115.
- 58. © 20181204 @Tdys13 58
『腹部MR画像』を『3D CNN』にて『腫瘍の悪性度分類(Low:ステージ1,2/ high:ステージ3,4)』をした
深層学習×医⽤画像のトレンド(医⽤画像-分類)
引用: Korolev, Sergey, et al.
"Residual and plain convolutional neural networks for 3d brain mri classification."
Biomedical Imaging (ISBI 2017), 2017 IEEE 14th International Symposium on. IEEE, 2017.
- 59. © 20181204 @Tdys13 59
CNNを⽤いて患者のステージ分布を⾏なった論⽂
<技術概要>
Trainデータ : 腹部MR画像
肝細胞がん(HCC)罹患患者
使⽤ネットワーク : 3D CNN
⼊⼒(Testデータ) : HCC罹患者の腹部MR画像
出⼒ : クラス分類
(悪性度-早期or遅期)
深層学習×医⽤画像のトレンド(医⽤画像-分類)
引用: Korolev, Sergey, et al.
"Residual and plain convolutional neural networks for 3d brain mri classification."
Biomedical Imaging (ISBI 2017), 2017 IEEE 14th International Symposium on. IEEE, 2017.
- 60. © 20181204 @Tdys13 60
『脳MRI画像』を⽤いて『ResNet』にて『アルツハイマー罹患患者の分類』をした
深層学習×医⽤画像のトレンド(医⽤画像-分類)
引用: Korolev, Sergey, et al.
"Residual and plain convolutional neural networks for 3d brain mri classification."
Biomedical Imaging (ISBI 2017), 2017 IEEE 14th International Symposium on. IEEE, 2017.
- 61. © 20181204 @Tdys13 61
アルツハイマー患者の脳画像を学習し,患者がアルツハイマー罹患者かを分類する
→軽度認知障害を罹患する患者も⾒抜けることが分かった
深層学習×医⽤画像のトレンド
<技術概要>
Trainデータ : アルツハイマー患者の
脳MRI
使⽤ネットワーク : Res-Net,VoxCNN
⼊⼒(Testデータ) : 脳MRI画像
出⼒ : クラス分類
(アルツハイマーor
軽度認知障害or正常)
↑ResNet
↑VoxCNN
引用: Korolev, Sergey, et al.
"Residual and plain convolutional neural networks for 3d brain mri classification."
Biomedical Imaging (ISBI 2017), 2017 IEEE 14th International Symposium on. IEEE, 2017.
- 62. © 20181204 @Tdys13 62
『AI×医⽤画像』の現状と可能性(研究のトレンド編)
まとめ(分類タスク)
<ひと⼝メモ>
・医⽤画像での分類タスクは症例の分類や重篤度の分類など
・医師並み,医師を超えたと報告される研究結果も出ている
- 63. © 20181204 @Tdys13 63
『病理画像』を⽤いて『U-Net』にて『細胞のセグメンテーション』をした
深層学習×医⽤画像のトレンド(医⽤画像-Seg)
引用: ・Ronneberger, Olaf, Philipp Fischer, and Thomas Brox.
"U-net: Convolutional networks for biomedical image segmentation."
International Conference on Medical image computing
and computer-assisted intervention. Springer, Cham, 2015.
- 64. © 20181204 @Tdys13 64
ISBI cell tracking challengeにて優勝し注⽬される
(先ほど紹介した医⽤画像コンペティション)
<技術概要>
Trainデータ : コンペ側が⽤意した細胞画像
使⽤ネットワーク : U-Net
⼊⼒(testデータ) : 細胞画像
出⼒ : セグメンテーション結果
深層学習×医⽤画像のトレンド(医⽤画像-Seg)
引用: ・Ronneberger, Olaf, Philipp Fischer, and Thomas Brox.
"U-net: Convolutional networks for biomedical image segmentation."
International Conference on Medical image computing
and computer-assisted intervention. Springer, Cham, 2015.
- 65. © 20181204 @Tdys13 65
『医⽤画像セグメンテーションコンペで優勝 → ⼀般物体セグメンテーションに応⽤』
という流れを作ったセグメンテーション界のトップ
<技術概要>
Trainデータ : コンペ側が⽤意した細胞画像
使⽤ネットワーク : U-Net
⼊⼒(testデータ) : 細胞画像
出⼒ : セグメンテーション結果
深層学習×医⽤画像のトレンド(医⽤画像-Seg)
引用: ・Ronneberger, Olaf, Philipp Fischer, and Thomas Brox.
"U-net: Convolutional networks for biomedical image segmentation."
International Conference on Medical image computing
and computer-assisted intervention. Springer, Cham, 2015.
- 66. © 20181204 @Tdys13 66
『3Dのraw画像』を『3D U-Net』にて『腎臓部のセグメンテーション』をした
深層学習×医⽤画像のトレンド(医⽤画像-Seg)
引用: ・Çiçek, Özgün, et al.
"3D U-Net: learning dense volumetric segmentation from sparse annotation."
International Conference on Medical Image Computing
and Computer-Assisted Intervention. Springer, Cham, 2016.
- 67. © 20181204 @Tdys13 67
U-Netが考案された翌年に,3D U-Netが考案された
<技術概要>
Trainデータ : 腎部の映るraw画像
使⽤ネットワーク : 3D U-Net
⼊⼒(Testデータ) : 3Dのraw画像
出⼒ : 腎部セグメンテーション
深層学習×医⽤画像のトレンド(医⽤画像-Seg)
引用: ・Çiçek, Özgün, et al.
"3D U-Net: learning dense volumetric segmentation from sparse annotation."
International Conference on Medical Image Computing
and Computer-Assisted Intervention. Springer, Cham, 2016.
- 68. © 20181204 @Tdys13 68
『腹部CT画像』を『H-DenseU-Net』にて『肝臓腫瘍&肝臓部セグメンテーション』した
深層学習×医⽤画像のトレンド(医⽤画像-Seg)
引用:・ Li, Xiaomeng, et al.
"H-DenseUNet: Hybrid densely connected Unet
for liver and liver tumor segmentation from CT volumes."
arXiv preprint arXiv:1709.07330 (2017).
- 69. © 20181204 @Tdys13 69
Miccai Liver Tumor Segmentation Challengeにて優勝
(先ほど紹介した医⽤画像コンペティション)
<技術概要>
Trainデータ : 腹部CT画像
使⽤ネットワーク : U-Net+3D-Unet+DenseNet
⼊⼒(Testデータ) : 腹部CT画像
出⼒ : セグメンテーション結果
深層学習×医⽤画像のトレンド(医⽤画像-Seg)
引用:・ Li, Xiaomeng, et al.
"H-DenseUNet: Hybrid densely connected Unet
for liver and liver tumor segmentation from CT volumes."
arXiv preprint arXiv:1709.07330 (2017).
- 70. © 20181204 @Tdys13 70
しかし近年の医⽤画像セグメンテーション系は
SOTAを⽬指すがあまりモデルが複雑化しつつある
深層学習×医⽤画像のトレンド(医⽤画像-Seg)
<技術概要>
Trainデータ : 腹部CT画像
使⽤ネットワーク : U-Net+3D-Unet+DenseNet
⼊⼒(Testデータ) : 腹部CT画像
出⼒ : セグメンテーション結果
引用:・ Li, Xiaomeng, et al.
"H-DenseUNet: Hybrid densely connected Unet
for liver and liver tumor segmentation from CT volumes."
arXiv preprint arXiv:1709.07330 (2017).
- 71. © 20181204 @Tdys13 71
『AI×医⽤画像』の現状と可能性(研究のトレンド編)
まとめ(セグメンテーションタスク)
<ひと⼝メモ>
・医⽤画像セグメンテーションコンペで優勝したモデル(U-Net)が
⼀般物体セグメンテーションなどでも使⽤されている
・最近はいろんなセグメンテーションモデルの複合モデルが
登場しており,SOTA⽬指すが故にモデルがややこしくなってる
- 72. © 20181204 @Tdys13 72
『偽札造り(Generator)』と『偽札を⾒抜く検査官(Discriminator)』
深層学習×画像処理のトレンド(⼀般物体⽣成)
引用: ・Radford, Alec, Luke Metz, and Soumith Chintala.
"Unsupervised representation learning
with deep convolutional generative adversarial networks.
" arXiv preprint arXiv:1511.06434 (2015).
- 73. © 20181204 @Tdys13 73
『偽札造り(Generator)』と『偽札を⾒抜く検査官(Discriminator)』
深層学習×画像処理のトレンド(⼀般物体⽣成)
Discriminatorに
本物と誤認識させるような
偽物を作る
⼊⼒画像が
本物か偽物か⾒分ける
引用: ・Radford, Alec, Luke Metz, and Soumith Chintala.
"Unsupervised representation learning
with deep convolutional generative adversarial networks.
" arXiv preprint arXiv:1511.06434 (2015).
- 74. © 20181204 @Tdys13 74
深層学習×画像処理のトレンド(⼀般物体⽣成)
ホテルの部屋画像を学習し,
この世に無いホテルの部屋画像を⽣成
それぞれの⼈間が持つ特徴を抽出し
新たな特徴を持つ⼈間の写真を⽣成
引用: ・Radford, Alec, Luke Metz, and Soumith Chintala.
"Unsupervised representation learning
with deep convolutional generative adversarial networks.
" arXiv preprint arXiv:1511.06434 (2015).
- 75. © 20181204 @Tdys13 75
深層学習×画像処理のトレンド(⼀般物体⽣成)
引用:
・AI Art at Christie s Sells for $432,500
https://www.nytimes.com/2018/10/25/arts/design/ai-art-sold-christies.html
- 76. © 20181204 @Tdys13 76
深層学習×医⽤画像のトレンド(医⽤画像-⽣成)
CTから取得した肝臓腫瘍
GANにより⽣成された肝臓腫瘍の⽣成画像
『肝臓腫瘍病変画像』を『GAN』にて『⽣成』
『⽣成した画像』を『CNN』にて『学習』
『未知の病変画像』を『CNN』にて『分類』
引用:
・Frid-Adar, Maayan, et al.
"GAN-based Synthetic Medical Image Augmentation for increased CNN Performance
in Liver Lesion Classification." arXiv preprint arXiv:1803.01229 (2018).
- 77. © 20181204 @Tdys13 77
GANを⽤いて肝臓腫瘍っぽい画像を⽣成した
<技術概要>
Trainデータ : 肝臓腫瘍病変画像
使⽤ネットワーク : GAN
⼊⼒(Testデータ) : 腹部CT画像
出⼒ : 肝臓腫瘍に似ている画像
深層学習×医⽤画像のトレンド(医⽤画像-⽣成)
引用:
・Frid-Adar, Maayan, et al.
"GAN-based Synthetic Medical Image Augmentation for increased CNN Performance
in Liver Lesion Classification." arXiv preprint arXiv:1803.01229 (2018).
- 78. © 20181204 @Tdys13 78
GANで作られた肝臓腫瘍っぽい画像で,⽣成データを⽤いて肝臓腫瘍を分類した
<技術概要>
Trainデータ : GANによって⽣成された
肝臓腫瘍病変画像
使⽤ネットワーク : CNN
⼊⼒(Testデータ) : 腹部CT画像
出⼒ : 分類結果
(胚のうor肝⾎管腫or転移がん)
深層学習×医⽤画像のトレンド(医⽤画像-⽣成)
引用:
・Frid-Adar, Maayan, et al.
"GAN-based Synthetic Medical Image Augmentation for increased CNN Performance
in Liver Lesion Classification." arXiv preprint arXiv:1803.01229 (2018).
- 79. © 20181204 @Tdys13 79
『眼球の⾎管マスク画像と眼球画像』を『GAN』にて『⽣成』をした
深層学習×医⽤画像のトレンド(医⽤画像-⽣成)
引用:
・Guibas, John T., Tejpal S. Virdi, and Peter S. Li.
"Synthetic Medical Images from Dual Generative Adversarial Networks.
arXiv preprint arXiv:1709.01872 (2017).
- 80. © 20181204 @Tdys13 80
GANを2回⽤いて眼球画像と眼球⾎管マスク画像を⽣成
<技術概要>
Trainデータ : 本物の眼球⾎管マスク画像
使⽤ネットワーク : GAN
出⼒(⽣成画像1) : 眼球⾎管マスク画像のような画像
Trainデータ : 本物の眼球画像と眼球⾎管マスク画像(ペア)
⼊⼒ : ⽣成画像1
出⼒ : ⽣成画像1とペアになる⽣成された眼球画像
←本物画像
←GANによる
⽣成画像
深層学習×医⽤画像のトレンド(医⽤画像-⽣成)
引用:
・Guibas, John T., Tejpal S. Virdi, and Peter S. Li.
"Synthetic Medical Images from Dual Generative Adversarial Networks.
arXiv preprint arXiv:1709.01872 (2017).
- 81. © 20181204 @Tdys13 81
GANを2回⽤いて眼球画像と眼球⾎管マスク画像を⽣成
←本物画像
←GANによる
⽣成画像
深層学習×医⽤画像のトレンド(医⽤画像-⽣成)
<技術概要>
Trainデータ : 本物の眼球⾎管マスク画像
使⽤ネットワーク : GAN
出⼒(⽣成画像1) : 眼球⾎管マスク画像のような画像
Trainデータ : 本物の眼球画像と眼球⾎管マスク画像(ペア)
⼊⼒ : ⽣成画像1
出⼒ : ⽣成画像1とペアになる⽣成された眼球画像
引用:
・Guibas, John T., Tejpal S. Virdi, and Peter S. Li.
"Synthetic Medical Images from Dual Generative Adversarial Networks.
arXiv preprint arXiv:1709.01872 (2017).
- 82. © 20181204 @Tdys13 82
『AI×医⽤画像』の現状と可能性(研究のトレンド編)
まとめ(⽣成タスク)
<ひと⼝メモ>
・GANが急激に市⺠権を得ている
(⽇常でニュースを⾒かけることが多くなった)
・医⽤画像の⽣成タスクは医師が作る時間がかかるマスク画像や
そもそもデータ取得が難しい希少なデータの⽣成などに使⽤される
- 83. © 20181204 @Tdys13 83
その他DL研究のトレンド(おまけ)
深層学習ネットワーク
・GoogleNet (Inception v3)
- Google AI Research
- 2012年に考案されたネットワーク
- ネットワーク考案者が映画INCEPTIONのファン
”We need to go deeper”という台詞から取ったと⾔われている
映画 INCEPTION
引用:
・Going Deeper with Convolutions
https://www.cs.unc.edu/ wliu/papers/GoogLeNet.pdf
・http://glee.wikia.com/wiki/File:We-need-to-go-deeper_inception.jpg
・amazon インセプション[DVD]
- 84. © 20181204 @Tdys13 84
その他DL研究のトレンド(おまけ)
⾃然⾔語処理分野
・BERT (Pre-training of Deep Bidirectional Transformers for Language Understanding)
- Google AI Language
- 画像分野ではImageNetなどの⼤規模画像データセットを
事前学習するpre-train⼿法があるが⾃然⾔語処理分野にてもそのポジションが爆誕
- 各結果でSOTA(State-Of-The-Art)
- 最近の最新⼿法にてELMOという⼿法があり
その⼿法よりも良いという事でBERT
セサミストリートのキャラクター
引用:
・arXiv
BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
https://arxiv.org/abs/1810.04805
・セサミストリート公式サイト
- 85. © 20181204 @Tdys13 85
その他DL研究のトレンド(おまけ)
強化学習分野: AIに報酬を与え,⾃⼰学習的に結果を向上することが⽬的の研究分野
・R2D2 (the Recurrent Replay Distributed DQN )
- ゲームの攻略を強化学習にて⾏った
- atariのゲーム57種類が強化学習研究において指標として度々⽤いられる
他にはスーパーマリオブラザーズやパックマン,ソニックなど
- 最近の最新⼿法のApe-Xよりも良いという事で
SOTAを更新した
スターウォーズのキャラクター[2]
引用:
・
Recurrent Experience Replay in Distributed Reinforcement Learning
https://openreview.net/forum?id=r1lyTjAqYX
・スターウォーズ公式サイト
- 86. © 20181204 @Tdys13 86
『AI×医⽤画像』の現状と可能性(研究のトレンド編)
まとめ(おまけ)
<ひと⼝メモ>
・僕も好きな映画やキャラクターの名前つけたモデル考案したい
- 88. © 20181204 @Tdys13 88
AI×ヘルスケア領域のスタートアップへ2013年以降,計$4.3Bの投資がされている
AI×ヘルスケアの市場
引用:
・CB INSIGHTS
https://app.cbinsights.com/research/report/ai-trends-healthcare/
- 89. © 20181204 @Tdys13 89
中でも,診断領域は近年のさらなる発展が注⽬されている
AI×ヘルスケアの市場
引用:
・CB INSIGHTS
https://app.cbinsights.com/research/report/ai-trends-healthcare/
- 90. © 20181204 @Tdys13 90
AIを⽤いた診断領域は今春FDA認可されるなど,最もホットな領域
海外では AI-as-a-medical-deviceなどと呼ばれる(まだsaasなどの略称はない)
AIを⽤いた診断領域の市場
引用:
・CB INSIGHTS
https://app.cbinsights.com/research/report/ai-trends-healthcare/
- 92. © 20181204 @Tdys13 92
⽇本におけるAI×医⽤画像診断(会社⼀覧)
2018 1116 とどろき調べ
⽇本で事業を⾏う会社(研究⽤途・研究段階含む)&プレスリリースを⾏なっている限定
- 93. © 20181204 @Tdys13 93
⽇本におけるAI×医⽤画像診断(会社×共同研究先)
2018 1116 とどろき調べ
⽇本で事業を⾏う会社(研究⽤途・研究段階含む)&プレスリリースを⾏なっている限定
- 94. © 20181204 @Tdys13 94
⽇本におけるAI×医⽤画像診断(会社×共同研究先)
とどろきが個⼈的に調べたものなので不⾜等あると思います!
不⾜分は勉強させてください!!
ここのリストの企業(34事業)
⼀挙に紹介するよ!!
- 95. © 20181204 @Tdys13 95
⽇本におけるAI×医⽤画像診断(会社×共同研究先)
とどろきが個⼈的に調べたものなので不⾜等あると思います!
不⾜分は勉強させてください!!
技術公開している事業のみ
技術紹介も詳しくやるよ!
- 96. © 20181204 @Tdys13 96
⽇本におけるAI×医⽤画像診断(詳細)
[ MNES × LPixel × メディカルチェックスタジオ ]
脳病変部の遠隔診断および病変検出
・技術的視点
- ルックレックというサービス
- AI構築に必要なデータ整備ができる
・サービスの流れ
A
E
()
E
引⽤
・メディカルチェックスタジオhttps://medicalcheckstudio.jp/
・株式会社エムネス https://www.mnes.org/
・Google Cloud Platfprm Japan Blog 「株式会社エムネスの導⼊事例」2018 0914
https://cloudplatform-jp.googleblog.com/2018/09/mens-app-engine-kubernetes-Engine.html
・PR TIMES「予防医学のアンファーがスマート脳ドックをプロデュース」 2018 0118
https://prtimes.jp/main/html/rd/p/000000129.000013377.html
- 97. © 20181204 @Tdys13
・技術的視点
- Trainデータ : 1271枚のMRA画像
(1477個の脳動脈瘤)
- ネットワーク : ????
- Testデータ : 未知のMRA画像
- 出⼒結果 : 検出
97
⽇本におけるAI×医⽤画像診断(詳細)
[ LPixel × 大阪市立大学 ]
脳動脈瘤の検出
・サービスの流れ
引⽤:
・⼤阪市⽴⼤学 深層学習を⽤いたAIによる脳動脈瘤検出アルゴリズム
AI補助下での読影精度の向上を検証 2018 1024
https://www.osaka-cu.ac.jp/ja/news/2018/181024-2
・Ueda, Daiju, et al.
"Deep learning for MR angiography: automated detection of cerebral aneurysms."
Radiology (2018): 180901.
- 98. © 20181204 @Tdys13 98
⽇本におけるAI×医⽤画像診断(詳細)
[ OPTIM × 佐賀大学 ]
眼底画像からの緑内障の診断⽀援(研究⽤途)
・サービスの流れ
引用:
・ メディカルイノベーション研究所 臨床研究を開始 2018 0423
https://www.optim.co.jp/news-detail/35622
・メディカルイノベーション研究所
https://www.optim.co.jp/medical/milab/
- 99. © 20181204 @Tdys13 99
⽇本におけるAI×医⽤画像診断(詳細)
[ Queue × 東大病院 ]
眼底画像からの緑内障の診断⽀援
・サービスの流れ
引用:
・Queue-inc https://www.queue-inc.com/news/news
- 100. © 20181204 @Tdys13 100
⽇本におけるAI×医⽤画像診断(詳細)
[ Queue × 東大病院 ]
眼底画像からの緑内障の診断⽀援
・サービスの流れ
・技術的視点
- Trainデータ : 緑内障患者の眼底画像(1,364枚)
⾮緑内障者の眼底画像(1,768枚)
- ネットワーク : ResNet
- Testデータ : 未知の眼底画像(110枚)
- 出⼒結果 : 緑内障の
テストデータに対する検出精度→96.5%実験結果と医師診察との⽐較
引用:
・ Shibata, Naoto, et al.
"Development of a deep residual learning algorithm
to screen for glaucoma from fundus photography."
Scientific reports 8.1 (2018): 14665.
・Queue-inc https://www.queue-inc.com/news/news
- 101. © 20181204 @Tdys13 101
⽇本におけるAI×医⽤画像診断(詳細)
[ Rist ×ツカザキ病院 ]
広⾓眼底画像からの網膜中⼼静脈閉塞症(CRVO)の判定
・サービスの流れ
引⽤:
・ 【世界初】広角眼底画像からAIを用いて網膜中心静脈閉塞症判定でAUC99%を達成 2018 1105
https://www.rist.co.jp/news
- 102. © 20181204 @Tdys13 102
⽇本におけるAI×医⽤画像診断(詳細)
[ Rist ×ツカザキ病院 ]
広⾓眼底画像からの網膜中⼼静脈閉塞症(CRVO)の判定
・サービスの流れ
・技術的視点
- Trainデータ : CRVO者(125名)
⾮CRVO者(238名)の眼底画像
- ネットワーク : 事前学習(ImageNet)+VGG
- Testデータ : 未知の眼底画像
- 出⼒結果 : CRVO or それ以外
引⽤:
・ Nagasato, Daisuke, et al. "Deep Neural Network-Based Method
for Detecting Central Retinal Vein Occlusion Using Ultrawide-Field Fundus Ophthalmoscopy."
Journal of Ophthalmology 2018 (2018).
・ 【世界初】
広角眼底画像からAIを用いて網膜中心静脈閉塞症判定でAUC99%を達成 2018 1105
https://www.rist.co.jp/news
- 103. © 20181204 @Tdys13 103
⽇本におけるAI×医⽤画像診断(詳細)
[ MieTech × 慶應大学医学部眼科教室 × OKWAVE ]
眼底写真を⽤いた眼疾患のスクリーニング⽀援
・サービスの流れ
・技術的視点
- Trainデータ : 9,400枚の眼底画像
- ネットワーク : ????
- Testデータ : 未知の眼底画像
- 出⼒結果 : 眼疾患のクラス分類
引⽤:
・⽇本経済新聞 電⼦版 2018 02⽉13⽇ 慶⼤医学部眼科教室とMieTechとオウケイウェイヴ、
「眼底の疾患をスクリーニングするAI」の開発に着⼿
https://www.nikkei.com/article/DGXLRSP471323_T10C18A2000000/
・プレスリリース 慶應大学医学部眼科教室とMieTechとオウケイウェイヴ、
「眼底の疾患をスクリーニングするAI」の開発に着手
https://www.okwave.co.jp/press/20180213/
- 104. © 20181204 @Tdys13 104
⽇本におけるAI×医⽤画像診断(詳細)
[ CRESCO(ミネルヴァスコープ) × 名古屋市立大学 ]
眼底写真を⽤いた眼疾患のスクリーニング⽀援(研究⽤途)
・サービスの流れ
引⽤:
・研究用眼疾患判定AIエンジン Minervae SCOPE (ミネルヴァ スコープ)
https://www.cresco.co.jp/service/minervae/minervae-scope/
- 105. © 20181204 @Tdys13 105
⽇本におけるAI×医⽤画像診断(詳細)
[ verily × Nikon]
網膜画像を⽤いた⼼疾患リスクの予測(研究段階)
・サービスの流れ
引⽤:
・⽇経新聞 電⼦版 2016/12/27
https://www.nikkei.com/article/DGXLRSP432259_X21C16A2000000/
- 106. © 20181204 @Tdys13 106
⽇本におけるAI×医⽤画像診断(詳細)
[ verily × Nikon]
網膜画像を⽤いた⼼疾患リスクの予測(研究段階)
・サービスの流れ
・技術的視点
- Trainデータ : 28万4335⼈分の患者データ
- ネットワーク : 事前学習+Inception v3
- Testデータ : 12,026⼈&999⼈の眼底画像
- 出⼒結果 : 年齢,性別,BMI,⾎圧
喫煙習慣の有無,⼼臓発作の経験
引⽤:
・⽇経新聞 電⼦版 2016/12/27
https://www.nikkei.com/article/DGXLRSP432259_X21C16A2000000/
・Poplin, Ryan, et al. "Prediction of cardiovascular risk factors
from retinal fundus photographs via deep learning."
Nature Biomedical Engineering 2.3 (2018): 158.
- 107. © 20181204 @Tdys13 107
⽇本におけるAI×医⽤画像診断(詳細)
[ Medihome ×葵会 ]
⻭科パノラマx線画像を⽤いた病変検出 (研究段階)
・サービスの流れ
・技術的視点
- Trainデータ : 12,000枚のパノラマx線画像
- ネットワーク : ????
- Testデータ : 未知のx線画像
- 出⼒結果 : 病変分類
(むし⻭,根尖病巣,⻭⽯,嚢胞,根分岐部病変)
プレスリリースに載っているイメージ図
引⽤:
・【業界初】⻭科X線における診断AIの開発
http://www.aoikai.jp/aoiuniversalhospital/wp-content/uploads/sites/
50/2018/06/aa82e2a1644840a735d43adfe44e715b.pdf
- 108. © 20181204 @Tdys13 108
⽇本におけるAI×医⽤画像診断(詳細)
[ デンタルサポート ×9DW ]
パーソナイズされた人工歯の3Dモデル自動生成
・サービスの流れ
・技術的視点
- Trainデータ : 10,000例の⻭の形状データ
- ネットワーク : ????
- Testデータ : 患者の⼝腔内情報
- 出⼒結果 : ⽣成
引⽤:・株式会社9DW 歯のモデルの自動生成AI
https://9dw.jp/tooth/
- 109. © 20181204 @Tdys13 109
⽇本におけるAI×医⽤画像診断(詳細)
[ LPixel ×国立がん研究センター ]
肺がんの検出および分類
・サービスの流れ
・技術的視点
- Trainデータ : 胸部CT画像
- ネットワーク : ????
- Testデータ : 未知のCT画像
- 出⼒結果 : 肺病変部の検出,分類
引⽤:
・エルピクセル エイル
https://eirl.ai/ja/
- 110. © 20181204 @Tdys13 110
⽇本におけるAI×医⽤画像診断(詳細)
[ 富士通 ×広島大学 ]
肺病変の検出,分類
・サービスの流れ
・技術的視点
- Trainデータ : 胸部CT画像
- ネットワーク : ????
- Testデータ : 未知のCT画像
- 出⼒結果 : 肺病変部の位置検出&分類
(肺がん,肺炎,びまん性肺疾患)
富士通研究所が
開発したAI
引⽤:
・類似の病気、AIで3次元検索。CT画像検査時間6分の1に
https://newswitch.jp/p/9499
- 111. © 20181204 @Tdys13 111
⽇本におけるAI×医⽤画像診断(詳細)
[ EXAWIZARDS × CV イメージングサイエンス(CVIS) ]
心臓狭窄の診断支援システム
・サービスの流れ
・技術的視点
- Trainデータ : ⼼臓狭窄を患っていない
⼼臓MR画像
- ネットワーク : ????
- Testデータ : 未知のMR画像
- 出⼒結果 : 分類(⼼臓狭窄 or それ以外)
AIプラットフォーム
引⽤:
・⼼臓狭窄診断⽀援システムの構築 2016 0727
http://www.medtecjapan.com/ja/news/2016/07/27/1612
・エクサウィザーズ 事業紹介
https://exawizards.com/service/solution
- 112. © 20181204 @Tdys13 112
⽇本におけるAI×医⽤画像診断(詳細)
[ 富士通 × 理化学研究所 × 昭和大学 ]
AIを⽤いた胎児⼼臓超⾳波スクリーニング
・サービスの流れ
・技術的視点
- Trainデータ : 正常胎児⼼臓の超⾳波画像
2,000枚
- ネットワーク : ????
- Testデータ : 胎児⼼臓の超⾳波画像
- 出⼒結果 : 正常胎児との⽐較結果a : 正常胎児のデータ
b : 比較により異常が発見された胎児のデータ
リアルタイム
自動検知システム
引⽤:
・プレスリリース AIを用いた胎児心臓超音波スクリーニング 2018 0918
http://pr.fujitsu.com/jp/news/2018/09/18-2.html
- 113. © 20181204 @Tdys13 113
⽇本におけるAI×医⽤画像診断(詳細)
[ GEヘルスケア ジャパン × 小倉記念病院]
冠動脈内腔の自動セグメンテーション
・サービスの流れ
・技術的視点
- Trainデータ : ⼼臓CT画像20,000例
- ネットワーク : 事前学習+U-Net
- Testデータ : 未知のCT画像
- 出⼒結果 : 対象部のセグメンテーション
リアルタイム
自動セグメンテーション
システム
引⽤:
・⼩倉記念病院とGEヘルスケア・ジャパン、
AI技術を活⽤した冠動脈内腔⾃動検出に向けた共同研究を開始 2018 0920
https://www.genewsroom.com/press-releases
- 114. © 20181204 @Tdys13 114
⽇本におけるAI×医⽤画像診断(詳細)
[ DeepMind × 東京慈恵会医科大学 ]
乳がんのスクリーニング(研究)
・サービスの流れ
・技術的視点
- Trainデータ : 乳部超⾳波画像(3万例)
乳房MR画像(3,500例)
- ネットワーク : ????
- Testデータ : 未知の乳部超⾳波画像
- 出⼒結果 : 病変分類
Cancer Research UK
Imperial Centre
主体の乳がん研究グループ
引⽤:
・プレスリリース 東京慈恵会医科大学附属病院、
DeepMind Health と 乳がんスクリーニングの研究に関するパートナーシップを締結 2018 1004
http://www.jikei.ac.jp/news/pdf/press_release_2018-10-04.pdf
・ Research collaboration aims to improve breast cancer diagnosis using AI 2017 11 24
http://www.imperial.ac.uk/news/183293/research-collaboration-aims-improve-breast-cancer/
- 115. © 20181204 @Tdys13 115
⽇本におけるAI×医⽤画像診断(詳細)
[ DeepMind × 乳がん研究 ]
乳がんのスクリーニング
・技術的視点
- Trainデータ : 乳部病理画像270枚
- ネットワーク : 事前学習+Inception v3
- Testデータ : 乳部病理画像108枚,126枚
- 出⼒結果 : 病変検出
Cancer Research UK
Imperial Centre
主体の乳がん研究グループ
学会・ジャーナル
・サービスの流れ
引⽤:
・Google AI 転移性乳がんの検出で99%の正確性を達成
http://thebridge.jp/2018/10/google-ai-claims-99-accuracy-in-metastatic-breast-cancer-detection
・Liu, Yun, et al. "Artificial Intelligence‒Based Breast Cancer Nodal Metastasis
Detection: Insights Into the Black Box for Pathologists."
Archives of pathology & laboratory medicine(2018).
- 116. © 20181204 @Tdys13 116
⽇本におけるAI×医⽤画像診断(詳細)
[ LPixel × 大阪市立大学 ]
乳がんの検出システム
・サービスの流れ
・技術的視点
- Trainデータ : 乳部超⾳波画像(3万例)
- ネットワーク : ????
- Testデータ : 未知の乳部超⾳波画像
- 出⼒結果 : 病変検出
引⽤:
・産経新聞⼤阪市⼤がAI活⽤した乳がんの画像診断システム開発 2018 0414
https://www.sankei.com/west/news/180413/wst1804130090-n2.html
・ReadyFor 【精度は医師以上】乳癌の早期発⾒を⼈⼯知能の⼒で実現したい!
https://readyfor.jp/projects/deeplearning
- 117. © 20181204 @Tdys13 117
⽇本におけるAI×医⽤画像診断(詳細)
[ 理化学研究所 × 国立がん研究センター ]
胃がんの検出システム
・サービスの流れ
・技術的視点
- Trainデータ : 内視鏡画像,2万枚
(正常 : 病変=1 : 1)
- ネットワーク : 事前学習+Inception v3
- Testデータ : 未知の内視鏡画像
- 出⼒結果 : 病変検出
学会・ジャーナル
引⽤:
・ AIで早期胃がん領域の⾼精度検出に成功 早期発⾒・領域検出で早期治療に⼤きく貢献 2018 0720
https://www.ncc.go.jp/jp/information/pr_release/2018/0721/index.html
- 118. © 20181204 @Tdys13 118
⽇本におけるAI×医⽤画像診断(詳細)
[ AIM ×がん研有明病院]
胃がんの検出システム
・サービスの流れ
学会・ジャーナル
引⽤:
・プレスリリース がん研究会有明病院⼈⼯知能で胃がんを発⾒する!
−AIを活⽤した内視鏡画像診断⽀援システムの開発−
https://www.jfcr.or.jp/hospital/information/general/5376.html
- 119. © 20181204 @Tdys13 119
⽇本におけるAI×医⽤画像診断(詳細)
[ AIM ×がん研有明病院]
胃がんの検出システム
・サービスの流れ
・技術的視点
- Trainデータ : 内視鏡画像,13,584枚
- ネットワーク : 16層のSSD
- Testデータ : 未知の内視鏡画像,2,296枚
- 出⼒結果 : 病変検出
6mm以上->98.6%
6mm以下も含む->92.2%
学会・ジャーナル
AIにより検出された⾷道がん
⻩枠:AIによる予測場所
緑枠:医師による候補場所
引⽤:
・プレスリリース がん研究会有明病院⼈⼯知能で胃がんを発⾒する!
−AIを活⽤した内視鏡画像診断⽀援システムの開発−
https://www.jfcr.or.jp/hospital/information/general/5376.html
・ Horie, Yoshimasa, et al.
"Diagnostic outcomes of esophageal cancer by artificial intelligence
using convolutional neural networks." Gastrointestinal endoscopy (2018).
- 120. © 20181204 @Tdys13 120
⽇本におけるAI×医⽤画像診断(詳細)
[ AIM ×がん研有明病院]
食道がんの検出システム
・サービスの流れ
学会・ジャーナル
引⽤:
・プレスリリース がん研究会有明病院
⼈⼯知能による⾷道がんの診断 AIによる内視鏡画像診断⽀援システム
https://www.jfcr.or.jp/up_pdf/20180907174455_1.pdf
- 121. © 20181204 @Tdys13 121
⽇本におけるAI×医⽤画像診断(詳細)
[ AIM ×がん研有明病院]
食道がんの検出システム
・サービスの流れ
・技術的視点
- Trainデータ : 内視鏡画像,8,428枚
- ネットワーク : 16層のSSD
- Testデータ : 未知の内視鏡画像,1,118枚
- 出⼒結果 : 病変検出 検出精度98%
学会・ジャーナル
AIにより検出された⾷道がん
⽩枠:AIによる予測場所
緑枠:医師による候補場所
引用:
・プレスリリース がん研究会有明病院
人工知能による食道がんの診断 AIによる内視鏡画像診断支援システム
https://www.jfcr.or.jp/up_pdf/20180907174455_1.pdf
・ Horie, Yoshimasa, et al.
"Diagnostic outcomes of esophageal cancer by artificial intelligence
using convolutional neural networks." Gastrointestinal endoscopy (2018).
- 122. © 20181204 @Tdys13 122
⽇本におけるAI×医⽤画像診断(詳細)
[ LPixel ]
肝臓がんの検出システム
・サービスの流れ
病院や
研究機関など
引⽤:
・エルピクセル エイル
https://eirl.ai/ja/
- 123. © 20181204 @Tdys13 123
⽇本におけるAI×医⽤画像診断(詳細)
[ 立命館大学 × 浙江大学付属病院 ]
肝臓がんの検出システム
・サービスの流れ
先端ICT
メディカル・ヘルスケア
研究センター
リアルタイム
自動検知システム
学会
ジャーナル
引⽤:
・⽇経デジタルヘルス プレスリリース AIで肝臓がんの画像診断を⽀援 2016 1214
https://tech.nikkeibp.co.jp/dm/atcl/news/16/121405475/?ST=health
- 124. © 20181204 @Tdys13 124
⽇本におけるAI×医⽤画像診断(詳細)
[ 立命館大学 × 浙江大学付属病院 ]
肝臓がんの検出システム
・サービスの流れ
・技術的視点
- Trainデータ : 腹部CT画像(88症例)
- ネットワーク : Mics-CNN(AlexNetの派⽣)
- Testデータ : 腹部CT画像(30症例)
- 出⼒結果 : 病変検出
先端ICT
メディカル・ヘルスケア
研究センター
リアルタイム
自動検知システム
学会
ジャーナル
⾚⾊ : TP(正解),⻘⾊ : FN(⾒落とし),緑⾊ : FP(⾒間違い)
引⽤:
・⽇経デジタルヘルス プレスリリース AIで肝臓がんの画像診断を⽀援 2016 1214
https://tech.nikkeibp.co.jp/dm/atcl/news/16/121405475/?ST=health
・pre-submitting by Yoshihiro Todoroki
- 125. © 20181204 @Tdys13 125
⽇本におけるAI×医⽤画像診断(詳細)
[ AIメディカルサービス × 産総研]
大腸がんのリアルタイム検出システム
・サービスの流れ
学会・ジャーナル
引⽤:
・⼈⼯知能研究センター news 2018.06.22
「AI(人工知能)による内視鏡画像診断支援(病変拾い上げ)システムの研究開発」
実証実験のお知らせ
https://www.airc.aist.go.jp/aiart/info.html
- 126. © 20181204 @Tdys13 126
⽇本におけるAI×医⽤画像診断(詳細)
[ LPixel × 東京慈恵会医科大学 ]
大腸がんのリアルタイム検出システム
・サービスの流れ
学会・ジャーナル
A
A
引⽤:
・プレスリリース ⼤腸内視鏡病変検出・鑑別診断サポートを⾏うAIを開発 2018 0817
https://lpixel.net/2018/08/17/7506/
- 127. © 20181204 @Tdys13 127
⽇本におけるAI×医⽤画像診断(詳細)
[ LPixel × 東京慈恵会医科大学 ]
大腸がんのリアルタイム検出システム
・サービスの流れ
・技術的視点
- Trainデータ : 内視鏡画像(50,000枚)
- ネットワーク : ????(おそらくSSD系)
- Testデータ : 内視鏡画像
- 出⼒結果 : 病変検出
検出感度 ->98%
陽性的中率 ->91.2%(2018.5⽉)
学会・ジャーナル
A
A
検出結果のデモ
(プレスリリースより引⽤)
引⽤:
・プレスリリース ⼤腸内視鏡病変検出・鑑別診断サポートを⾏うAIを開発 2018 0817
https://lpixel.net/2018/08/17/7506/
- 128. © 20181204 @Tdys13 128
⽇本におけるAI×医⽤画像診断(詳細)
[ CYBERNET × 昭和大学 ]
大腸がんのリアルタイム検出システム
・サービスの流れ
その他大学病院
研究機関
(
)
(
)
引用:
・プレスリリース 昭和大学 AIを併用した大腸内視鏡検査:診療現場での精度が明らかに 2018 0815
https://www.u-presscenter.jp/2018/08/post-39934.html
・昭和大学とサイバネット,AIを併用した愛聴内視鏡検査にて精度93.7%を達成
https://medit.tech/real-time-pathological-diagnosis-with-super-expanded-
endoscope-powered-by-ai-showa-university-and-cybernet-acquire-2018/
- 129. © 20181204 @Tdys13 129
⽇本におけるAI×医⽤画像診断(詳細)
[ CYBERNET × 昭和大学 ]
大腸がんのリアルタイム検出システム
・サービスの流れ
その他大学病院
研究機関
(
)
(
)
・技術的視点
- Trainデータ : 内視鏡動画像
(35分,63,135フレームと80分,133,496フレーム)
- ネットワーク : 3D CNN(x*y*time)
- Testデータ : 内視鏡動画像
- 出⼒結果 : 病変分類
⽩く反射をするところを
中⼼に画像取得
3D CNN
クラス分類
取得した部分が
腫瘍か否か
引用:
・プレスリリース 昭和大学 AIを併用した大腸内視鏡検査:診療現場での精度が明らかに 2018 0815
https://www.u-presscenter.jp/2018/08/post-39934.html
・昭和大学とサイバネット,AIを併用した愛聴内視鏡検査にて精度93.7%を達成
https://medit.tech/real-time-pathological-diagnosis-with-super-expanded-
endoscope-powered-by-ai-showa-university-and-cybernet-acquire-2018/
- 130. © 20181204 @Tdys13 130
⽇本におけるAI×医⽤画像診断(詳細)
[ NEC × 国立がん研究センター ]
大腸がんのリアルタイム検出システム
・サービスの流れ
学会・ジャーナル
・技術的視点
- Trainデータ : 内視鏡画像(5,000枚)
- ネットワーク : CNN
- Testデータ : 内視鏡画像(5,000枚)
- 出⼒結果 : 病変検出
検出結果
引⽤:
・プレスリリース 国⽴がん研究センター 2017 0710
AIを活⽤したリアルタイム内視鏡診断サポートシステム開発 ⼤腸内視鏡検査での⾒逃し回避を⽬指す
https://www.ncc.go.jp/jp/information/pr_release/2017/0710/index.html
- 131. © 20181204 @Tdys13 131
⽇本におけるAI×医⽤画像診断(詳細)
[ AIM × 東大病院]
カプセル内視鏡を用いた小腸粘膜障害の診断支援システム
・サービスの流れ
学会・ジャーナル
引⽤:
・プレスリリース 東京⼤学 人工知能による小腸粘膜傷害の診断 2018 1026
http://www.h.u-tokyo.ac.jp/vcms_lf/release_20181026.pdf
- 132. © 20181204 @Tdys13 132
⽇本におけるAI×医⽤画像診断(詳細)
[ AIM × 東大病院]
カプセル内視鏡を用いた小腸粘膜障害の診断支援システム
・サービスの流れ
・技術的視点
- Trainデータ : 内視鏡画像(5,360枚)
- ネットワーク : SSD
- Testデータ : 内視鏡動画像(10,440枚)
- 出⼒結果 : 病変検出
ROC 0.985
学会・ジャーナル
検出結果
SSD
病変
正常部
引⽤:
・プレスリリース 東⼤病院⼈⼯知能による⼩腸粘膜傷害の診断 2018 1026
http://www.h.u-tokyo.ac.jp/press/press_archives/20181026.html
・Aoki, Tomonori, et al. "Automatic detection of erosions and ulcerations
in wireless capsule endoscopy images based on a deep convolutional neural network."
Gastrointestinal Endoscopy(2018).
- 133. © 20181204 @Tdys13 133
⽇本におけるAI×医⽤画像診断(詳細)
・サービスの流れ
学会・ジャーナル
[ 京セラ ×筑波大学 ]
臨床画像による皮膚がんの自動検出
引用:
・プレスリリース 京セラ皮膚腫瘍の良悪性を判定する人工知能診断補助システムを開発 2018 0712
https://www.kccs.co.jp/news/release/2018/0712/
- 134. © 20181204 @Tdys13 134
⽇本におけるAI×医⽤画像診断(詳細)
[ 京セラ ×筑波大学 ]
臨床画像による皮膚がんの自動検出
・サービスの流れ
学会・ジャーナル
・技術的視点
- Trainデータ : 臨床画像(4,800枚)
- ネットワーク : 事前学習(ImageNet)+CNN
- Testデータ : 臨床画像(1,200枚)
- 出⼒結果 : 14種の病変分類
引用:
・プレスリリース 京セラ皮膚腫瘍の良悪性を判定する人工知能診断補助システムを開発 2018 0712
https://www.kccs.co.jp/news/release/2018/0712/
・ Fujisawa, Y., et al.
"Deep learning‐based, computer‐aided classifier developed
with a small dataset of clinical images surpasses board‐certified dermatologists
in skin tumor diagnosis." British Journal of Dermatology (2018).
- 135. © 20181204 @Tdys13 135
⽇本におけるAI×医⽤画像診断(詳細)
・サービスの流れ
[ exMedio]
臨床画像による⽪膚病変の⾃動分類 ‒ ヒポクラ
引用:
・総務省 参考スライド 株式会社エクスメディオ
http://www.soumu.go.jp/main_content/000537500.pdf
医師
専門医
患者
- 136. © 20181204 @Tdys13 136
⽇本におけるAI×医⽤画像診断(詳細)
[ Medmain × 九大病院 ]
病理画像の⾃動診断システム
・サービスの流れ
引⽤:
・ Deep Learningによる病理画像診断ソフト PidPort
https://medmain.net/?page_id=1223
- 137. © 20181204 @Tdys13 137
⽇本におけるAI×医⽤画像診断(詳細)
[ オリンパス × 中国がんセンター]
病理画像の⾃動診断システム
・サービスの流れ
・技術的視点
- Trainデータ : 病理画像(368例)
- ネットワーク : CNN
- Testデータ : 病理画像(786例)
- 出⼒結果 : 14種の病変分類
引⽤:
・プレスリリース オリンパスと呉医療センター・中国がんセンター
AI病理診断⽀援ソフトウェアを共同研究
https://www.olympus.co.jp/news/2018/nr00867.html
- 138. © 20181204 @Tdys13 138
⽇本におけるAI×医⽤画像診断(詳細)
[ LPixel × 久留米大学病院]
病理画像の⾃動診断システム
・サービスの流れ
引⽤:
・エルピクセル エイル
https://eirl.ai/ja/
- 139. © 20181204 @Tdys13 139
⽇本におけるAI×医⽤画像診断(詳細)
[ 日本病理学会 ]
病理画像から胃がん診断システム
・サービスの流れ
引⽤:
・⽇本病理学会
学会主導による病理診断AI(artificial intelligence; ⼈⼯知能)エンジンの開発 20181109
http://p-wsi.jp/press_release/
病理学会
所属病院
病理学会
所属病院
・技術的視点
- Trainデータ : 病理画像(17万枚)
- ネットワーク : ???
- Testデータ : 病理画像
- 出⼒結果 : 胃がんの診断
※感度93.3%,特異度73.5%,不⼀致率16.2%
- 140. © 20181204 @Tdys13 140
⽇本におけるAI×医⽤画像診断(詳細)
[ OPTIM × エムスリー]
画像診断⽀援AIプラットフォーム
・サービスの流れ
AIプラットフォーム
Doc+AI
病院 大手
医療機器メーカー
引⽤:
・プレスリリース オプティム 医療⽤画像診断⽀援AIオープンプラットフォーム
「Doc+AI」(ドクエイ)の構築を開始 2018 0725
https://www.optim.co.jp/news-detail/38409
・エムスリー,オプティム と共同で画像診断⽀援プラットフォーム提供へ
https://medit.tech/optim-m3-jointed-for-ai-platform/
・技術的視点
- このプラットフォームは
どんな感じになるのか楽しみ!
- 141. © 20181204 @Tdys13 141
⽇本におけるAI×医⽤画像診断(詳細)
[ Aillis ]
AIを搭載したインフルエンザ診断医療機器
・サービスの流れ
病院など
引⽤:
・アイリス株式会社
https://aillis.jp/
・技術的視点
- AI搭載医療機器の開発!
- 142. © 20181204 @Tdys13 142
『AI×医⽤画像』の現状と可能性(ビジネストレンド編)
まとめ
<ひと⼝メモ>
結果 :何がしたいのか(検出,セグメンテーションなど)
データ:どこから取ってくるか,⾜りない場合はどうするか
モデル:何がしたいからどんなモデルを選ぶのか
技術⾯:それを論⽂にして技術証明をするのか
- 143. © 20181204 @Tdys13 143
おまけ
PFN × PFDeNA(PFNとDeNAの合弁会社)
政府の推し進めるAIホスピタル構想
引⽤:
・PFN Newa 2018 1029
https://www.preferred-networks.jp/ja/news/pr20181029
・AIホスピタルによる⾼度診断・治療システム
http://www8.cao.go.jp/cstp/gaiyo/sip/iinkai2/aihospital_1/siryo3-1.pdf
- 144. © 20181204 @Tdys13 144
おまけ
隣国では企業主体の
スマートホスピタル計画が進⾏している
引⽤:
・ Internet-based smart healthcare changes Chinese lives2016 0315
https://www.telegraph.co.uk/news/world/china-watch/technology/smart-healthcare-china/
・A Fudan University, Tencent to Build Smart Hospital in Shanghai 2017 1122
https://www.yicaiglobal.com/news/
fudan-university-tencent-build-smart-hospital-shanghai?utm
_content=buffere9509&utm_medium=social&utm_source=pinterest.com&utm_campaign=buffer