Upgrade to Pro — share decks privately, control downloads, hide ads and more …

AI×医用画像の現状と可能性/AI×medical imaging in japan(2018)

YoshihiroTodoroki
December 04, 2018
17k

AI×医用画像の現状と可能性/AI×medical imaging in japan(2018)

presented by @Tdys13

YoshihiroTodoroki

December 04, 2018
Tweet

More Decks by YoshihiroTodoroki

Transcript

  1. © 20181204 @Tdys13 2. 3. 4. 1. 3 ⾃⼰紹介 世界の研究トレンド紹介

    - AIの基礎,医⽤画像研究論⽂の紹介11本 ⽇本のビジネストレンド紹介 - 部位別カオスマップ,技術紹介 まとめ
  2. © 20181204 @Tdys13 2. 3. 4. 1. 4 ⾃⼰紹介 世界の研究トレンド紹介

    - AIの基礎,医⽤画像研究論⽂の紹介11本 ⽇本のビジネストレンド紹介 - 部位別カオスマップ,技術紹介 まとめ
  3. © 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
  4. © 20181204 @Tdys13 2. 3. 4. 1. 6 ⾃⼰紹介 世界の研究トレンド紹介

    - AIの基礎,医⽤画像研究論⽂の紹介11本 ⽇本のビジネストレンド紹介 - 部位別カオスマップ,技術紹介 まとめ
  5. © 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 >
  6. © 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 - ͦͷଞࡱӨख๏ (眼底画像など) - 病変検出 - පม෼ྨ - セグメテーション - ⽣成 - 超解像 - 推定(動作) - ը૾ॲཧ - パターン認識 - 機械学習 - ਂ૚ֶश - ڭࢣ͋Γֶश - 半教師あり学習 - 教師なし学習 < 医⽤画像 > < ⼿法 > < 最終⽬的 >
  7. © 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 - ͦͷଞࡱӨख๏ (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) - ը૾ॲཧ - パターン認識 - 機械学習 - ਂ૚ֶश - ڭࢣ͋Γֶश - 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…
  8. © 20181204 @Tdys13 16 Ҩ఻ࢠղੳ ˕ݕ਍ɾૣظൃݟ ˕਍அ ࣏ྍ ༧ஹɾ༧๷ 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
  9. © 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
  10. © 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>
  11. © 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
  12. © 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)

    Ҿ༻ɿ ɾ,BJNJOH@)F IUUQTTDIPMBSHPPHMFDPNDJUBUJPOT VTFS%IU"'LX""""+IMKB
  13. © 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
  14. © 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) Ҿ༻ɿ ɾ8BOH 9JBPTPOH FUBM

    $IFTUYSBZ)PTQJUBMTDBMFDIFTUYSBZEBUBCBTFBOECFODINBSLT POXFBLMZTVQFSWJTFEDMBTTJGJDBUJPOBOEMPDBMJ[BUJPOPGDPNNPOUIPSBYEJTFBTFT $PNQVUFS7JTJPOBOE1BUUFSO3FDPHOJUJPO $713 *&&&$POGFSFODFPO*&&& 
  15. © 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) Ҿ༻ɿ ɾ8BOH 9JBPTPOH FUBM $IFTUYSBZ)PTQJUBMTDBMFDIFTUYSBZEBUBCBTFBOECFODINBSLT POXFBLMZTVQFSWJTFEDMBTTJGJDBUJPOBOEMPDBMJ[BUJPOPGDPNNPOUIPSBYEJTFBTFT $PNQVUFS7JTJPOBOE1BUUFSO3FDPHOJUJPO $713 *&&&$POGFSFODFPO*&&& 
  16. © 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 Ҿ༻ɿ ɾ8BOH 9JBPTPOH FUBM $IFTUYSBZ)PTQJUBMTDBMFDIFTUYSBZEBUBCBTFBOECFODINBSLT POXFBLMZTVQFSWJTFEDMBTTJGJDBUJPOBOEMPDBMJ[BUJPOPGDPNNPOUIPSBYEJTFBTFT $PNQVUFS7JTJPOBOE1BUUFSO3FDPHOJUJPO $713 *&&&$POGFSFODFPO*&&& 
  17. © 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 Ҿ༻ QSFTVCNJUUJOH5PEPSPLJ@:PTIJIJSP
  18. © 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)  Ҿ༻ ɾ"PLJ 5PNPOPSJ

    FUBM "VUPNBUJDEFUFDUJPOPGFSPTJPOTBOEVMDFSBUJPOTJOXJSFMFTTDBQTVMFFOEPTDPQZJNBHFT CBTFEPOBEFFQDPOWPMVUJPOBMOFVSBMOFUXPSL (BTUSPJOUFTUJOBM&OEPTDPQZ  
  19. © 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 Ҿ༻ ɾ"PLJ 5PNPOPSJ FUBM "VUPNBUJDEFUFDUJPOPGFSPTJPOTBOEVMDFSBUJPOTJOXJSFMFTTDBQTVMFFOEPTDPQZJNBHFT CBTFEPOBEFFQDPOWPMVUJPOBMOFVSBMOFUXPSL (BTUSPJOUFTUJOBM&OEPTDPQZ  
  20. © 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) Ҿ༻ɿ ɾ&TUFWB "OESF FUBM%FSNBUPMPHJTUMFWFMDMBTTJGJDBUJPOPGTLJODBODFS XJUIEFFQOFVSBMOFUXPSLT /BUVSF   
  21. © 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) Ҿ༻ɿ ɾ&TUFWB "OESF FUBM%FSNBUPMPHJTUMFWFMDMBTTJGJDBUJPOPGTLJODBODFS XJUIEFFQOFVSBMOFUXPSLT /BUVSF   
  22. © 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) Ҿ༻ɿ ,PSPMFW

    4FSHFZ FUBM 3FTJEVBMBOEQMBJODPOWPMVUJPOBMOFVSBMOFUXPSLTGPSECSBJONSJ DMBTTJGJDBUJPO #JPNFEJDBM*NBHJOH *4#* *&&&UI*OUFSOBUJPOBM4ZNQPTJVNPO*&&& 
  23. © 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) Ҿ༻ɿ ,PSPMFW 4FSHFZ FUBM 3FTJEVBMBOEQMBJODPOWPMVUJPOBMOFVSBMOFUXPSLTGPSECSBJONSJ DMBTTJGJDBUJPO #JPNFEJDBM*NBHJOH *4#* *&&&UI*OUFSOBUJPOBM4ZNQPTJVNPO*&&& 
  24. © 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) Ҿ༻ɿ ,PSPMFW 4FSHFZ FUBM

    3FTJEVBMBOEQMBJODPOWPMVUJPOBMOFVSBMOFUXPSLTGPSECSBJONSJ DMBTTJGJDBUJPO #JPNFEJDBM*NBHJOH *4#* *&&&UI*OUFSOBUJPOBM4ZNQPTJVNPO*&&& 
  25. © 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 Ҿ༻ɿ ,PSPMFW 4FSHFZ FUBM 3FTJEVBMBOEQMBJODPOWPMVUJPOBMOFVSBMOFUXPSLTGPSECSBJONSJ DMBTTJGJDBUJPO #JPNFEJDBM*NBHJOH *4#* *&&&UI*OUFSOBUJPOBM4ZNQPTJVNPO*&&& 
  26. © 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) Ҿ༻ɿ ɾ3POOFCFSHFS 0MBG 1IJMJQQ'JTDIFS

    BOE5IPNBT#SPY 6OFU$POWPMVUJPOBMOFUXPSLTGPSCJPNFEJDBMJNBHFTFHNFOUBUJPO *OUFSOBUJPOBM$POGFSFODFPO.FEJDBMJNBHFDPNQVUJOH BOEDPNQVUFSBTTJTUFEJOUFSWFOUJPO4QSJOHFS $IBN 
  27. © 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) Ҿ༻ɿ ɾ3POOFCFSHFS 0MBG 1IJMJQQ'JTDIFS BOE5IPNBT#SPY 6OFU$POWPMVUJPOBMOFUXPSLTGPSCJPNFEJDBMJNBHFTFHNFOUBUJPO *OUFSOBUJPOBM$POGFSFODFPO.FEJDBMJNBHFDPNQVUJOH BOEDPNQVUFSBTTJTUFEJOUFSWFOUJPO4QSJOHFS $IBN 
  28. © 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) Ҿ༻ɿ ɾ3POOFCFSHFS 0MBG 1IJMJQQ'JTDIFS BOE5IPNBT#SPY 6OFU$POWPMVUJPOBMOFUXPSLTGPSCJPNFEJDBMJNBHFTFHNFOUBUJPO *OUFSOBUJPOBM$POGFSFODFPO.FEJDBMJNBHFDPNQVUJOH BOEDPNQVUFSBTTJTUFEJOUFSWFOUJPO4QSJOHFS $IBN 
  29. © 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) Ҿ༻ɿ ɾªJÇFL ¹[HÛO

    FUBM %6/FUMFBSOJOHEFOTFWPMVNFUSJDTFHNFOUBUJPOGSPNTQBSTFBOOPUBUJPO *OUFSOBUJPOBM$POGFSFODFPO.FEJDBM*NBHF$PNQVUJOH BOE$PNQVUFS"TTJTUFE*OUFSWFOUJPO4QSJOHFS $IBN 
  30. © 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) Ҿ༻ɿ ɾªJÇFL ¹[HÛO FUBM %6/FUMFBSOJOHEFOTFWPMVNFUSJDTFHNFOUBUJPOGSPNTQBSTFBOOPUBUJPO *OUFSOBUJPOBM$POGFSFODFPO.FEJDBM*NBHF$PNQVUJOH BOE$PNQVUFS"TTJTUFE*OUFSWFOUJPO4QSJOHFS $IBN 
  31. © 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) Ҿ༻ɿɾ -J 9JBPNFOH FUBM )%FOTF6/FU)ZCSJEEFOTFMZDPOOFDUFE6OFU GPSMJWFSBOEMJWFSUVNPSTFHNFOUBUJPOGSPN$5WPMVNFT BS9JW QSFQSJOUBS9JW  
  32. © 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 Ҿ༻ɿɾ -J 9JBPNFOH FUBM )%FOTF6/FU)ZCSJEEFOTFMZDPOOFDUFE6OFU GPSMJWFSBOEMJWFSUVNPSTFHNFOUBUJPOGSPN$5WPMVNFT BS9JW QSFQSJOUBS9JW  
  33. © 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) Ҿ༻ɿ ɾ3BEGPSE "MFD -VLF.FU[

    BOE4PVNJUI $IJOUBMB 6OTVQFSWJTFESFQSFTFOUBUJPOMFBSOJOH XJUIEFFQDPOWPMVUJPOBMHFOFSBUJWFBEWFSTBSJBMOFUXPSLT  BS9JW QSFQSJOUBS9JW  
  34. © 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 Ҿ༻ɿ ɾ3BEGPSE "MFD -VLF.FU[ BOE4PVNJUI $IJOUBMB 6OTVQFSWJTFESFQSFTFOUBUJPOMFBSOJOH XJUIEFFQDPOWPMVUJPOBMHFOFSBUJWFBEWFSTBSJBMOFUXPSLT  BS9JW QSFQSJOUBS9JW  
  35. © 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 Ҿ༻ɿ

    ɾ3BEGPSE "MFD -VLF.FU[ BOE4PVNJUI $IJOUBMB 6OTVQFSWJTFESFQSFTFOUBUJPOMFBSOJOH XJUIEFFQDPOWPMVUJPOBMHFOFSBUJWFBEWFSTBSJBMOFUXPSLT  BS9JW QSFQSJOUBS9JW  
  36. © 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) Ҿ༻ɿ ɾ'SJE"EBS .BBZBO FUBM ("/CBTFE4ZOUIFUJD.FEJDBM*NBHF"VHNFOUBUJPOGPSJODSFBTFE$//1FSGPSNBODF JO-JWFS-FTJPO$MBTTJGJDBUJPO BS9JW QSFQSJOUBS9JW  
  37. © 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) Ҿ༻ɿ ɾ'SJE"EBS .BBZBO FUBM ("/CBTFE4ZOUIFUJD.FEJDBM*NBHF"VHNFOUBUJPOGPSJODSFBTFE$//1FSGPSNBODF JO-JWFS-FTJPO$MBTTJGJDBUJPO BS9JW QSFQSJOUBS9JW  
  38. © 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) Ҿ༻ɿ ɾ(VJCBT +PIO5 5FKQBM 47JSEJ BOE1FUFS4-J 4ZOUIFUJD.FEJDBM*NBHFTGSPN%VBM(FOFSBUJWF"EWFSTBSJBM/FUXPSLTz BS9JW QSFQSJOUBS9JW  
  39. © 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 Ҿ༻ɿ ɾ(VJCBT +PIO5 5FKQBM 47JSEJ BOE1FUFS4-J 4ZOUIFUJD.FEJDBM*NBHFTGSPN%VBM(FOFSBUJWF"EWFSTBSJBM/FUXPSLTz BS9JW QSFQSJOUBS9JW  
  40. © 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 Ҿ༻ɿ ɾ(PJOH%FFQFSXJUI$POWPMVUJPOT IUUQTXXXDTVODFEVdXMJVQBQFST(PPH-F/FUQEG ɾIUUQHMFFXJLJBDPNXJLJ'JMF8FOFFEUPHPEFFQFS@JODFQUJPOKQH ɾBNB[PO Πϯηϓγϣϯ<%7%>
  41. © 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 Ҿ༻ɿ ɾBS9JW #&351SFUSBJOJOHPG%FFQ#JEJSFDUJPOBM5SBOTGPSNFSTGPS-BOHVBHF6OEFSTUBOEJOH IUUQTBSYJWPSHBCT ɾηαϛετϦʔτެࣜαΠτ
  42. © 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] Ҿ༻ɿ ɾ3FDVSSFOU&YQFSJFODF3FQMBZJO%JTUSJCVUFE3FJOGPSDFNFOU-FBSOJOH IUUQTPQFOSFWJFXOFUGPSVN JESMZ5K"R:9 ɾελʔ΢ΥʔζެࣜαΠτ
  43. © 20181204 @Tdys13 2. 3. 4. 1. 87 ⾃⼰紹介 世界の研究トレンド紹介

    - AIの基礎,医⽤画像研究論⽂の紹介11本 ⽇本のビジネストレンド紹介 - 部位別カオスマップ,技術紹介 まとめ
  44. © 20181204 @Tdys13 96 ⽇本におけるAI×医⽤画像診断(詳細) [ ./&4ʷ -1JYFM ʷ ϝσΟΧϧνΣοΫελδΦ

    ] 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
  45. © 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)    [ -1JYFM ʷ େࡕࢢཱେֶ ] 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 ・6FEB %BJKV FUBM %FFQMFBSOJOHGPS.3BOHJPHSBQIZBVUPNBUFEEFUFDUJPOPGDFSFCSBMBOFVSZTNT 3BEJPMPHZ  
  46. © 20181204 @Tdys13 98 ⽇本におけるAI×医⽤画像診断(詳細) [ 015*.ʷ ࠤլେֶ ] 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       Ҿ༻ɿ ɾ ϝσΟΧϧΠϊϕʔγϣϯݚڀॴ ྟচݚڀΛ։࢝  IUUQTXXXPQUJNDPKQOFXTEFUBJM ɾϝσΟΧϧΠϊϕʔγϣϯݚڀॴ IUUQTXXXPQUJNDPKQNFEJDBMNJMBC
  47. © 20181204 @Tdys13 99 ⽇本におけるAI×医⽤画像診断(詳細) [ 2VFVFʷ ౦େපӃ ] 眼底画像からの緑内障の診断⽀援

           ・サービスの流れ         ! ! Ҿ༻ɿ ɾ2VFVFJOD IUUQTXXXRVFVFJODDPNOFXTOFXT
  48. © 20181204 @Tdys13 100 ⽇本におけるAI×医⽤画像診断(詳細) [ 2VFVFʷ ౦େපӃ ] 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 Ҿ༻ɿ ɾ 4IJCBUB /BPUP FUBM %FWFMPQNFOUPGBEFFQSFTJEVBMMFBSOJOHBMHPSJUIN UPTDSFFOGPSHMBVDPNBGSPNGVOEVTQIPUPHSBQIZ 4DJFOUJGJDSFQPSUT    ɾ2VFVFJOD IUUQTXXXRVFVFJODDPNOFXTOFXT
  49. © 20181204 @Tdys13 101 ⽇本におけるAI×医⽤画像診断(詳細) [ 3JTU ʷπΧβΩපӃ ] 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: ɾ ʲੈքॳʳ޿֯؟ఈը૾͔Β"*Λ༻͍ͯ໢ບத৺੩຺ด࠹঱൑ఆͰ"6$Λୡ੒  IUUQTXXXSJTUDPKQOFXT
  50. © 20181204 @Tdys13 102 ⽇本におけるAI×医⽤画像診断(詳細) [ 3JTU ʷπΧβΩපӃ ] 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: ɾ /BHBTBUP %BJTVLF FUBM%FFQ/FVSBM/FUXPSL#BTFE.FUIPE GPS%FUFDUJOH$FOUSBM3FUJOBM7FJO0DDMVTJPO6TJOH6MUSBXJEF'JFME'VOEVT0QIUIBMNPTDPQZ +PVSOBMPG0QIUIBMNPMPHZ    ɾ ʲੈքॳʳ ޿֯؟ఈը૾͔Β"*Λ༻͍ͯ໢ບத৺੩຺ด࠹঱൑ఆͰ"6$Λୡ੒  IUUQTXXXSJTUDPKQOFXT
  51. © 20181204 @Tdys13 103 ⽇本におけるAI×医⽤画像診断(詳細) [ .JF5FDI ʷ ܚጯେֶҩֶ෦؟Պڭࣨ ʷ

    0,8"7&] 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 ܚጯେֶҩֶ෦؟Պڭࣨͱ.JF5FDIͱΦ΢έΠ΢ΣΠϰɺ ʮ؟ఈͷ࣬ױΛεΫϦʔχϯά͢Δ"*ʯͷ։ൃʹணख https://www.okwave.co.jp/press/20180213/
  52. © 20181204 @Tdys13 104 ⽇本におけるAI×医⽤画像診断(詳細) [ $3&4$0 ϛωϧϰΝείʔϓ ʷ ໊ݹ԰ࢢཱେֶ

    ] 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: ・ݚڀ༻؟࣬ױ൑ఆ"*Τϯδϯ .JOFSWBF 4$01& ϛωϧϰΝ είʔϓ  https://www.cresco.co.jp/service/minervae/minervae-scope/
  53. © 20181204 @Tdys13 105 ⽇本におけるAI×医⽤画像診断(詳細) <WFSJMZʷ /JLPO> 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 IUUQTXXXOJLLFJDPNBSUJDMF%(9-341@9$"
  54. © 20181204 @Tdys13 106 ⽇本におけるAI×医⽤画像診断(詳細) <WFSJMZʷ /JLPO> 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 IUUQTXXXOJLLFJDPNBSUJDMF%(9-341@9$" ・Poplin, Ryan, et al. "Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning." Nature Biomedical Engineering 2.3 (2018): 158.
  55. © 20181204 @Tdys13 107 ⽇本におけるAI×医⽤画像診断(詳細) <.FEJIPNF ʷѮձ > 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
  56. © 20181204 @Tdys13 108 ⽇本におけるAI×医⽤画像診断(詳細) <σϯλϧαϙʔτ ʷ%8> ύʔιφΠζ͞Εͨਓ޻ࣃͷ%Ϟσϧࣗಈੜ੒ ・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 ࣃͷϞσϧͷࣗಈੜ੒"* https://9dw.jp/tooth/
  57. © 20181204 @Tdys13 109 ⽇本におけるAI×医⽤画像診断(詳細) <-1JYFM ʷࠃཱ͕Μݚڀηϯλʔ > ഏ͕Μͷݕग़͓Αͼ෼ྨ ・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/
  58. © 20181204 @Tdys13 110 ⽇本におけるAI×医⽤画像診断(詳細) <෋࢜௨ ʷ޿ౡେֶ > ഏපมͷݕग़ɼ෼ྨ ・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)      ෋࢜௨ݚڀॴ͕ ։ൃͨ͠"* 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
  59. © 20181204 @Tdys13 111 ⽇本におけるAI×医⽤画像診断(詳細) <&9"8*;"3%4 ʷ $7ΠϝʔδϯάαΠΤϯε $7*4 >

    ৺ଁڱࡥͷ਍அࢧԉγεςϜ ・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)    "*ϓϥοτϑΥʔϜ   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    
  60. © 20181204 @Tdys13 112 ⽇本におけるAI×医⽤画像診断(詳細) <෋࢜௨ ʷ ཧԽֶݚڀॴ ʷ ত࿨େֶ

    > 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 B  ਖ਼ৗ଻ࣇͷσʔλ CൺֱʹΑΓҟৗ͕ൃݟ͞Εͨ଻ࣇͷσʔλ       ϦΞϧλΠϜ ࣗಈݕ஌γεςϜ  引⽤: ・プレスリリース "*Λ༻͍ͨ଻ࣇ৺ଁ௒Ի೾εΫϦʔχϯά  http://pr.fujitsu.com/jp/news/2018/09/18-2.html    
  61. © 20181204 @Tdys13 113 ⽇本におけるAI×医⽤画像診断(詳細) <(&ϔϧεέΞ δϟύϯ ʷ খ૔ه೦පӃ> ףಈ຺಺ߢͷࣗಈηάϝϯςʔγϣϯ

    ・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     ϦΞϧλΠϜ ࣗಈηάϝϯςʔγϣϯ γεςϜ  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    
  62. © 20181204 @Tdys13 114 ⽇本におけるAI×医⽤画像診断(詳細) <%FFQ.JOEʷ ౦ژ࣊ܙձҩՊେֶ > ೕ͕ΜͷεΫϦʔχϯά ݚڀ

    ・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    $BODFS3FTFBSDI6, *NQFSJBM$FOUSF ओମͷೕ͕Μݚڀάϧʔϓ         引⽤: ・プレスリリース ౦ژ࣊ܙձҩՊେֶෟଐපӃɺ %FFQ.JOE)FBMUIͱ ೕ͕ΜεΫϦʔχϯάͷݚڀʹؔ͢ΔύʔτφʔγοϓΛక݁  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/
  63. © 20181204 @Tdys13 115 ⽇本におけるAI×医⽤画像診断(詳細) <%FFQ.JOEʷ ೕ͕Μݚڀ > ೕ͕ΜͷεΫϦʔχϯά ・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 $BODFS3FTFBSDI6, *NQFSJBM$FOUSF ओମͷೕ͕Μݚڀάϧʔϓ   ֶձɾδϟʔφϧ   ・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 ・-JV :VO FUBM"SUJGJDJBM*OUFMMJHFODFr#BTFE#SFBTU$BODFS/PEBM.FUBTUBTJT %FUFDUJPO*OTJHIUT*OUPUIF#MBDL#PYGPS1BUIPMPHJTUT "SDIJWFTPGQBUIPMPHZMBCPSBUPSZNFEJDJOF  
  64. © 20181204 @Tdys13 116 ⽇本におけるAI×医⽤画像診断(詳細) <-1JYFM ʷ େࡕࢢཱେֶ > ೕ͕Μͷݕग़γεςϜ

    ・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
  65. © 20181204 @Tdys13 117 ⽇本におけるAI×医⽤画像診断(詳細) <ཧԽֶݚڀॴ ʷ ࠃཱ͕Μݚڀηϯλʔ > ң͕Μͷݕग़γεςϜ

    ・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      ֶձɾδϟʔφϧ   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
  66. © 20181204 @Tdys13 118 ⽇本におけるAI×医⽤画像診断(詳細) <"*.ʷ͕Μݚ༗໌පӃ> ң͕Μͷݕग़γεςϜ ・サービスの流れ  

        ֶձɾδϟʔφϧ      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
  67. © 20181204 @Tdys13 119 ⽇本におけるAI×医⽤画像診断(詳細) <"*.ʷ͕Μݚ༗໌පӃ> ң͕Μͷݕग़γεςϜ ・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%    ֶձɾδϟʔφϧ      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 ・ )PSJF :PTIJNBTB FUBM %JBHOPTUJDPVUDPNFTPGFTPQIBHFBMDBODFSCZBSUJGJDJBMJOUFMMJHFODF VTJOHDPOWPMVUJPOBMOFVSBMOFUXPSLT (BTUSPJOUFTUJOBMFOEPTDPQZ  
  68. © 20181204 @Tdys13 120 ⽇本におけるAI×医⽤画像診断(詳細) <"*.ʷ͕Μݚ༗໌පӃ> ৯ಓ͕Μͷݕग़γεςϜ ・サービスの流れ  

        ֶձɾδϟʔφϧ      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
  69. © 20181204 @Tdys13 121 ⽇本におけるAI×医⽤画像診断(詳細) <"*.ʷ͕Μݚ༗໌පӃ> ৯ಓ͕Μͷݕग़γεςϜ ・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%    ֶձɾδϟʔφϧ      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 Ҿ༻ɿ ɾϓϨεϦϦʔε ͕Μݚڀձ༗໌පӃ ਓ޻஌ೳʹΑΔ৯ಓ͕Μͷ਍அ "*ʹΑΔ಺ࢹڸը૾਍அࢧԉγεςϜ IUUQTXXXKGDSPSKQVQ@QEG@QEG ɾ )PSJF :PTIJNBTB FUBM %JBHOPTUJDPVUDPNFTPGFTPQIBHFBMDBODFSCZBSUJGJDJBMJOUFMMJHFODF VTJOHDPOWPMVUJPOBMOFVSBMOFUXPSLT (BTUSPJOUFTUJOBMFOEPTDPQZ  
  70. © 20181204 @Tdys13 122 ⽇本におけるAI×医⽤画像診断(詳細) <-1JYFM > ؊ଁ͕Μͷݕग़γεςϜ ・サービスの流れ 

     පӃ΍ ݚڀػؔͳͲ        引⽤: ・エルピクセル エイル https://eirl.ai/ja/
  71. © 20181204 @Tdys13 123 ⽇本におけるAI×医⽤画像診断(詳細) <໋ཱؗେֶ ʷ ᔳߐେֶ෇ଐපӃ > ؊ଁ͕Μͷݕग़γεςϜ

    ・サービスの流れ ઌ୺*$5 ϝσΟΧϧɾϔϧεέΞ ݚڀηϯλʔ  ϦΞϧλΠϜ ࣗಈݕ஌γεςϜ     ֶձ δϟʔφϧ     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
  72. © 20181204 @Tdys13 124 ⽇本におけるAI×医⽤画像診断(詳細) <໋ཱؗେֶ ʷ ᔳߐେֶ෇ଐපӃ > ؊ଁ͕Μͷݕग़γεςϜ

    ・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 ઌ୺*$5 ϝσΟΧϧɾϔϧεέΞ ݚڀηϯλʔ  ϦΞϧλΠϜ ࣗಈݕ஌γεςϜ     ֶձ δϟʔφϧ   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
  73. © 20181204 @Tdys13 125 ⽇本におけるAI×医⽤画像診断(詳細) <"*ϝσΟΧϧαʔϏε ʷ ࢈૯ݚ> େ௎͕ΜͷϦΞϧλΠϜݕग़γεςϜ ・サービスの流れ

        ֶձɾδϟʔφϧ            引⽤: ・⼈⼯知能研究センター news 2018.06.22 「"*ʢਓ޻஌ೳʣʹΑΔ಺ࢹڸը૾਍அࢧԉʢපมर্͍͛ʣγεςϜͷݚڀ։ൃʯ ࣮ূ࣮ݧͷ͓஌Βͤ https://www.airc.aist.go.jp/aiart/info.html
  74. © 20181204 @Tdys13 126 ⽇本におけるAI×医⽤画像診断(詳細) <-1JYFM ʷ ౦ژ࣊ܙձҩՊେֶ > େ௎͕ΜͷϦΞϧλΠϜݕग़γεςϜ

    ・サービスの流れ       ֶձɾδϟʔφϧ 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/
  75. © 20181204 @Tdys13 127 ⽇本におけるAI×医⽤画像診断(詳細) <-1JYFM ʷ ౦ژ࣊ܙձҩՊେֶ > େ௎͕ΜͷϦΞϧλΠϜݕग़γεςϜ

    ・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) ֶձɾδϟʔφϧ 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/
  76. © 20181204 @Tdys13 128 ⽇本におけるAI×医⽤画像診断(詳細) <$:#&3/&5ʷ ত࿨େֶ > େ௎͕ΜͷϦΞϧλΠϜݕग़γεςϜ ・サービスの流れ

          ͦͷଞେֶපӃ ݚڀػؔ ( ) ( ) Ҿ༻ɿ ɾϓϨεϦϦʔε ত࿨େֶ "*Λซ༻ͨ͠େ௎಺ࢹڸݕࠪɿ਍ྍݱ৔Ͱͷਫ਼౓͕໌Β͔ʹ  IUUQTXXXVQSFTTDFOUFSKQQPTUIUNM ɾত࿨େֶͱαΠόωοτɼ"*Λซ༻ͨ͠Ѫௌ಺ࢹڸݕࠪʹͯਫ਼౓Λୡ੒ IUUQTNFEJUUFDISFBMUJNFQBUIPMPHJDBMEJBHOPTJTXJUITVQFSFYQBOEFE FOEPTDPQFQPXFSFECZBJTIPXBVOJWFSTJUZBOEDZCFSOFUBDRVJSF
  77. © 20181204 @Tdys13 129 ⽇本におけるAI×医⽤画像診断(詳細) <$:#&3/&5ʷ ত࿨େֶ > େ௎͕ΜͷϦΞϧλΠϜݕग़γεςϜ ・サービスの流れ

    ͦͷଞେֶපӃ ݚڀػؔ ( ) ( ) ・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 Ҿ༻ɿ ɾϓϨεϦϦʔε ত࿨େֶ "*Λซ༻ͨ͠େ௎಺ࢹڸݕࠪɿ਍ྍݱ৔Ͱͷਫ਼౓͕໌Β͔ʹ  IUUQTXXXVQSFTTDFOUFSKQQPTUIUNM ɾত࿨େֶͱαΠόωοτɼ"*Λซ༻ͨ͠Ѫௌ಺ࢹڸݕࠪʹͯਫ਼౓Λୡ੒ IUUQTNFEJUUFDISFBMUJNFQBUIPMPHJDBMEJBHOPTJTXJUITVQFSFYQBOEFE FOEPTDPQFQPXFSFECZBJTIPXBVOJWFSTJUZBOEDZCFSOFUBDRVJSF
  78. © 20181204 @Tdys13 130 ⽇本におけるAI×医⽤画像診断(詳細) </&$ʷ ࠃཱ͕Μݚڀηϯλʔ > େ௎͕ΜͷϦΞϧλΠϜݕग़γεςϜ ・サービスの流れ

            ֶձɾδϟʔφϧ   ・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
  79. © 20181204 @Tdys13 131 ⽇本におけるAI×医⽤画像診断(詳細) <"*.ʷ ౦େපӃ> Χϓηϧ಺ࢹڸΛ༻͍ͨখ௎೪ບো֐ͷ਍அࢧԉγεςϜ ・サービスの流れ 

              ֶձɾδϟʔφϧ   引⽤: ・プレスリリース 東京⼤学 ਓ޻஌ೳʹΑΔখ௎೪ບই֐ͷ਍அ  http://www.h.u-tokyo.ac.jp/vcms_lf/release_20181026.pdf
  80. © 20181204 @Tdys13 132 ⽇本におけるAI×医⽤画像診断(詳細) <"*.ʷ ౦େපӃ> Χϓηϧ಺ࢹڸΛ༻͍ͨখ௎೪ບো֐ͷ਍அࢧԉγεςϜ ・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      ֶձɾδϟʔφϧ   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 ɾ"PLJ 5PNPOPSJ FUBM"VUPNBUJDEFUFDUJPOPGFSPTJPOTBOEVMDFSBUJPOT JOXJSFMFTTDBQTVMFFOEPTDPQZJNBHFTCBTFEPOBEFFQDPOWPMVUJPOBMOFVSBMOFUXPSL (BTUSPJOUFTUJOBM&OEPTDPQZ  
  81. © 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    

    ֶձɾδϟʔφϧ       <ژηϥ ʷஜ೾େֶ > ྟচը૾ʹΑΔൽෘ͕Μͷࣗಈݕग़ Ҿ༻ɿ ɾϓϨεϦϦʔε ژηϥൽෘजᙾͷྑѱੑΛ൑ఆ͢Δਓ޻஌ೳ਍அิॿγεςϜΛ։ൃ  IUUQTXXXLDDTDPKQOFXTSFMFBTF
  82. © 20181204 @Tdys13 134 ⽇本におけるAI×医⽤画像診断(詳細) <ژηϥ ʷஜ೾େֶ > ྟচը૾ʹΑΔൽෘ͕Μͷࣗಈݕग़ ・サービスの流れ

        ֶձɾδϟʔφϧ     ・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 Ҿ༻ɿ ɾϓϨεϦϦʔε ژηϥൽෘजᙾͷྑѱੑΛ൑ఆ͢Δਓ޻஌ೳ਍அิॿγεςϜΛ։ൃ  IUUQTXXXLDDTDPKQOFXTSFMFBTF ɾ 'VKJTBXB : FUBM %FFQMFBSOJOHʖCBTFE DPNQVUFSʖBJEFEDMBTTJGJFSEFWFMPQFE XJUIBTNBMMEBUBTFUPGDMJOJDBMJNBHFTTVSQBTTFTCPBSEʖDFSUJGJFEEFSNBUPMPHJTUT JOTLJOUVNPSEJBHOPTJT #SJUJTI+PVSOBMPG%FSNBUPMPHZ  
  83. © 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 <FY.FEJP> 臨床画像による⽪膚病変の⾃動分類

    ‒ ヒポクラ Ҿ༻ɿ ɾ૯຿ল ࢀߟεϥΠυ גࣜձࣾΤΫεϝσΟΦ IUUQXXXTPVNVHPKQNBJO@DPOUFOUQEG ҩࢣ ઐ໳ҩ ױऀ           
  84. © 20181204 @Tdys13 136 ⽇本におけるAI×医⽤画像診断(詳細) <.FENBJO ʷ ۝େපӃ > 病理画像の⾃動診断システム

    ・サービスの流れ       引⽤: ・ %FFQ-FBSOJOHʹΑΔපཧը૾਍அιϑτ 1JE1PSU https://medmain.net/?page_id=1223    
  85. © 20181204 @Tdys13 137 ⽇本におけるAI×医⽤画像診断(詳細) <ΦϦϯύε ʷ தࠃ͕Μηϯλʔ> 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    
  86. © 20181204 @Tdys13 139 ⽇本におけるAI×医⽤画像診断(詳細) <೔ຊපཧֶձ > 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/     පཧֶձ ॴଐපӃ   පཧֶձ ॴଐපӃ    ・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%
  87. © 20181204 @Tdys13 140 ⽇本におけるAI×医⽤画像診断(詳細) <015*.ʷ ΤϜεϦʔ> 画像診断⽀援AIプラットフォーム ・サービスの流れ 

         "*ϓϥοτϑΥʔϜ %PD "* පӃ      େख ҩྍػثϝʔΧʔ      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!
  88. © 20181204 @Tdys13 141 ⽇本におけるAI×医⽤画像診断(詳細) <"JMMJT > 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 

     පӃͳͲ  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!
  89. © 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
  90. © 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: ・ *OUFSOFUCBTFETNBSUIFBMUIDBSFDIBOHFT$IJOFTFMJWFT

    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
  91. © 20181204 @Tdys13 2. 3. 4. 1. 145 ⾃⼰紹介 世界の研究トレンド紹介

    - AIの基礎,医⽤画像研究論⽂の紹介11本 ⽇本のビジネストレンド紹介 - 部位別カオスマップ,技術紹介 まとめ