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

presented by @Tdys13

Transcript

1. © 20181204 @Tdys13
   『 AI×医⽤画像 』 の現状と可能性
   ⽴命館⼤学 情報理⼯学研究科 修⼠2年
   轟 佳⼤
   1
   

   View Slide

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
   

   View Slide

3. © 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
   

   View Slide

4. © 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
   

   View Slide

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 (ﾄﾄﾞﾛｷ ﾖｼﾋﾛ)
   ：@Tdys13
   

   View Slide

6. © 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
   

   View Slide

7. © 20181204 @Tdys13 7
   ⼈⼯知能(AI)について
   Ҿ༻ɿ
   ɾ"*EFNZTUJGJFE
   IUUQTXXXDBMMBHIBOJOOPWBUJPOHPWUO[CMPHBJEFNZTUJGJFE
   

   View Slide

8. © 20181204 @Tdys13 8
   ⼈⼯知能(AI)について
   Ҿ༻ɿ
   ɾ"*EFNZTUJGJFE
   IUUQTXXXDBMMBHIBOJOOPWBUJPOHPWUO[CMPHBJEFNZTUJGJFE
   

   View Slide

9. © 20181204 @Tdys13 9
   ⼈⼯知能(AI)について
   Ҿ༻ɿ
   ɾ/7*%*" ϒϩά ਓ޻஌ೳɺػցֶशɺσΟʔϓϥʔχϯάͷҧ͍ͱ͸
   IUUQTCMPHTOWJEJBDPKQ
   XIBUTEJGGFSFODFBSUJGJDJBMJOUFMMJHFODFNBDIJOFMFBSOJOHEFFQMFBSOJOHBJ
   

   View Slide

10. © 20181204 @Tdys13 10
    ⼈⼯知能(AI)について
    Ҿ༻ɿ
    ɾ/7*%*" ϒϩά ਓ޻஌ೳɺػցֶशɺσΟʔϓϥʔχϯάͷҧ͍ͱ͸
    IUUQTCMPHTOWJEJBDPKQ
    XIBUTEJGGFSFODFBSUJGJDJBMJOUFMMJHFODFNBDIJOFMFBSOJOHEFFQMFBSOJOHBJ
    

    View Slide

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 >
    

    View Slide

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
    Ҿ༻ɿ
    ɾ&TUFWB "OESF FUBM%FSNBUPMPHJTUMFWFMDMBTTJGJDBUJPOPGTLJODBODFS
    XJUIEFFQOFVSBMOFUXPSLT /BUVSF
    
    

    View Slide

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
    - ͦ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 >
    

    View Slide

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
    - ͦ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…
    

    View Slide

15. © 20181204 @Tdys13 15
    Ҩ఻ࢠղੳ
    ݕ਍ɾૣظൃݟ
    ਍அ
    ࣏ྍ
    ༧ஹɾ༧๷
    AIの医療応⽤
    

    View Slide

16. © 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
    

    View Slide

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
    

    View Slide

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
    Ҿ༻ɿ
    ɾLBHHMF
    IUUQTXXXLBHHMFDPNDPNQFUJUJPOT TPSU#ZHSPVQFEHSPVQJO$MBTT
    ɾ(SBOE$IBMMFOHFTJO#JPNFEJDBM*NBHF"OBMZTJT
    IUUQTHSBOEDIBMMFOHFPSHDIBMMFOHFT
    

    View Slide

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
    Ҿ༻ɿ
    ɾ -JUKFOT (FFSU FUBM
    "TVSWFZPOEFFQMFBSOJOHJONFEJDBMJNBHFBOBMZTJT
    .FEJDBMJNBHFBOBMZTJT
    
    

    View Slide

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
    Ҿ༻ɿ
    ɾ"*͕ҩྍը૾෼໺Ͱ΋ֵ৽Λىͤ͜Δ͔ʁ
    /7*%*"͕ܝ͛Δ࠷৽ͷʮϓϩδΣΫτɾΫϥϥʯ 1SPKFDU$MBSB
    ʯͱ͸
    IUUQTSPCPUTUBSUJOGPOWJEJBDMBSBIUNM
    

    View Slide

21. © 20181204 @Tdys13 21
    MICCAI2018において，acceptされた論⽂の7割以上が深層学習分野
    深層学習×医⽤画像の研究トレンド(最新)
    

    View Slide

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
    Ҿ༻ɿ
    ɾ -JUKFOT (FFSU FUBM
    "TVSWFZPOEFFQMFBSOJOHJONFEJDBMJNBHFBOBMZTJT
    .FEJDBMJNBHFBOBMZTJT
    
    

    View Slide

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
    Ҿ༻ɿ
    ɾ -JUKFOT (FFSU FUBM
    "TVSWFZPOEFFQMFBSOJOHJONFEJDBMJNBHFBOBMZTJT
    .FEJDBMJNBHFBOBMZTJT
    
    

    View Slide

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
    Ҿ༻ɿ
    ɾ -JUKFOT (FFSU FUBM
    "TVSWFZPOEFFQMFBSOJOHJONFEJDBMJNBHFBOBMZTJT
    .FEJDBMJNBHFBOBMZTJT
    
    

    View Slide

25. © 20181204 @Tdys13 25
    部位別の世界研究トレンド分布(脳部)
    ೴෦ͷݚڀ
    ・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)
    
    
    
    
    
    ݚڀ͕੝ΜʹߦΘΕ͍ͯΔ
    ݚڀ͕ߦΘΕ͍ͯΔ
    ※2018年11⽉時点
    とどろき調べ
    

    View Slide

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)
    ೕ෦ͷݚڀ
    ・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
    
    
    
    
    
    ݚڀ͕੝ΜʹߦΘΕ͍ͯΔ
    ݚڀ͕ߦΘΕ͍ͯΔ
    ※2018年11⽉時点
    とどろき調べ
    

    View Slide

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)
    ഏ෦ͷݚڀ
    ・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
    
    
    
    
    
    ݚڀ͕੝ΜʹߦΘΕ͍ͯΔ
    ݚڀ͕ߦΘΕ͍ͯΔ
    ※2018年11⽉時点
    とどろき調べ
    

    View Slide

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)
    ෲ෦ͷݚڀ
    ・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
    
    
    
    
    
    ݚڀ͕੝ΜʹߦΘΕ͍ͯΔ
    ݚڀ͕ߦΘΕ͍ͯΔ
    ※2018年11⽉時点
    とどろき調べ
    

    View Slide

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)
    පཧͷݚڀ
    ・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
    
    
    
    
    
    ݚڀ͕੝ΜʹߦΘΕ͍ͯΔ
    ݚڀ͕ߦΘΕ͍ͯΔ
    ※2018年11⽉時点
    とどろき調べ
    

    View Slide

30. © 20181204 @Tdys13 30
    深層学習×医⽤画像の研究トレンド
    
    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
    
    ⼼臓：⾎管，脂肪
    乳部：腫瘍
    肺 ：肺結節，肺炎
    胃 ：腫瘍，胃潰瘍
    
    肝臓：腫瘍，肝臓部
    腸 ：腫瘍
    
    病理-細胞：がん細胞，細胞分裂
    ⽪膚- ：腫瘍
    

    View Slide

31. © 20181204 @Tdys13 31
    深層学習×医⽤画像の研究トレンド
    
    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)
    
    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)
    
    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)
    
    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)
    
    

    View Slide

32. © 20181204 @Tdys13 32
    『AI×医⽤画像』の現状と将来
    ⼀旦休憩
    
    ・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
    

    View Slide

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
    

    View Slide

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
    

    View Slide

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)
    Ҿ༻ɿ
    ɾ%S)JOUPO
    IUUQTTDIPMBSHPPHMFDPVLDJUBUJPOT VTFS+JD:1E"""""+IMFO
    

    View Slide

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)
    Ҿ༻ɿ
    ɾ7((@PYGPSE
    IUUQTTDIPMBSHPPHMFDPVLDJUBUJPOT VTFS+JD:1E"""""+IMFO
    

    View Slide

37. © 20181204 @Tdys13 37
    2014 Google (GoogLeNetの呼称 : Inception)
    深層学習×画像処理のトレンド(モデルについて)
    

    View Slide

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)
    Ҿ༻ɿ
    ɾ,BJNJOH@)F
    IUUQTTDIPMBSHPPHMFDPNDJUBUJPOT VTFS%IU"'LX""""+IMKB
    

    View Slide

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)
    

    View Slide

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)
    Ҿ༻ɿ
    ɾΞϧϑΝޟWT͋ͳͨ ͦΕ͸ެฏͳউෛͰ͸ͳ͍
    IUUQTCBDLZBSEJNKQDPKQBSUJDMFTTIFMMZ@CMPH@
    

    View Slide

41. © 20181204 @Tdys13 41
    『AI×医⽤画像』の現状と将来
    ⼀旦休憩
    
    ・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！
    

    View Slide

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
    

    View Slide

43. © 20181204 @Tdys13 43
    推測された⼤枠の⾯積がGround Truth(正解領域)とどれだけ⼀致するか
    深層学習×画像処理のトレンド(⼀般物体検出)
    

    View Slide

44. © 20181204 @Tdys13 44
    
    
    
    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
    

    View Slide

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
    

    View Slide

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)
    Ҿ༻ɿ ɾ8BOH 9JBPTPOH FUBM
    $IFTUYSBZ)PTQJUBMTDBMFDIFTUYSBZEBUBCBTFBOECFODINBSLT
    POXFBLMZTVQFSWJTFEDMBTTJGJDBUJPOBOEMPDBMJ[BUJPOPGDPNNPOUIPSBYEJTFBTFT
    $PNQVUFS7JTJPOBOE1BUUFSO3FDPHOJUJPO $713
    *&&&$POGFSFODFPO*&&&
    

    View Slide

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)
    
    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*&&&
    

    View Slide

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)
    
    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*&&&
    

    View Slide

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)
    
    Ҿ༻ QSFTVCNJUUJOH5PEPSPLJ@:PTIJIJSP
    

    View Slide

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
    
    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
    

    View Slide

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)
    
    Ҿ༻ ɾ"PLJ 5PNPOPSJ FUBM
    "VUPNBUJDEFUFDUJPOPGFSPTJPOTBOEVMDFSBUJPOTJOXJSFMFTTDBQTVMFFOEPTDPQZJNBHFT
    CBTFEPOBEFFQDPOWPMVUJPOBMOFVSBMOFUXPSL
    (BTUSPJOUFTUJOBM&OEPTDPQZ
    
    

    View Slide

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
    
    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
    
    

    View Slide

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)
    
    ・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
    

    View Slide

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
    

    View Slide

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
    Ҿ༻ɿ
    ɾ&TUFWB "OESF FUBM%FSNBUPMPHJTUMFWFMDMBTTJGJDBUJPOPGTLJODBODFS
    XJUIEFFQOFVSBMOFUXPSLT /BUVSF
    
    

    View Slide

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
    
    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
    
    

    View Slide

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)
    
    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
    
    

    View Slide

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

    View Slide

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
    
    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*&&&
    

    View Slide

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

    View Slide

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
    
    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*&&&
    

    View Slide

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)
    
    ・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
    

    View Slide

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)
    Ҿ༻ɿ ɾ3POOFCFSHFS 0MBG 1IJMJQQ'JTDIFS BOE5IPNBT#SPY
    6OFU$POWPMVUJPOBMOFUXPSLTGPSCJPNFEJDBMJNBHFTFHNFOUBUJPO
    *OUFSOBUJPOBM$POGFSFODFPO.FEJDBMJNBHFDPNQVUJOH
    BOEDPNQVUFSBTTJTUFEJOUFSWFOUJPO4QSJOHFS $IBN
    

    View Slide

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)
    
    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
    

    View Slide

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
    
    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
    

    View Slide

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)
    Ҿ༻ɿ ɾªJÇFL ¹[HÛO FUBM
    %6/FUMFBSOJOHEFOTFWPMVNFUSJDTFHNFOUBUJPOGSPNTQBSTFBOOPUBUJPO
    *OUFSOBUJPOBM$POGFSFODFPO.FEJDBM*NBHF$PNQVUJOH
    BOE$PNQVUFS"TTJTUFE*OUFSWFOUJPO4QSJOHFS $IBN
    

    View Slide

67. © 20181204 @Tdys13 67
    U-Netが考案された翌年に，3D U-Netが考案された
    
    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
    

    View Slide

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)
    Ҿ༻ɿɾ -J 9JBPNFOH FUBM
    )%FOTF6/FU)ZCSJEEFOTFMZDPOOFDUFE6OFU
    GPSMJWFSBOEMJWFSUVNPSTFHNFOUBUJPOGSPN$5WPMVNFT
    BS9JW QSFQSJOUBS9JW
    
    

    View Slide

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)
    
    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
    
    

    View Slide

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)
    
    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
    
    

    View Slide

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)
    
    ・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
    

    View Slide

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

    View Slide

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

    View Slide

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

    View Slide

75. © 20181204 @Tdys13 75
    深層学習×画像処理のトレンド(⼀般物体⽣成)
    Ҿ༻ɿ
    ɾ"*"SUBU$ISJTUJF`T4FMMTGPS
    IUUQTXXXOZUJNFTDPNBSUTEFTJHOBJBSUTPMEDISJTUJFTIUNM
    

    View Slide

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』
    Ҿ༻ɿ
    ɾ'SJE"EBS .BBZBO FUBM
    ("/CBTFE4ZOUIFUJD.FEJDBM*NBHF"VHNFOUBUJPOGPSJODSFBTFE$//1FSGPSNBODF
    JO-JWFS-FTJPO$MBTTJGJDBUJPO BS9JW QSFQSJOUBS9JW
    
    

    View Slide

77. © 20181204 @Tdys13 77
    GANを⽤いて肝臓腫瘍っぽい画像を⽣成した
    
    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
    
    

    View Slide

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
    
    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
    
    

    View Slide

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)
    Ҿ༻ɿ
    ɾ(VJCBT +PIO5 5FKQBM 47JSEJ BOE1FUFS4-J
    4ZOUIFUJD.FEJDBM*NBHFTGSPN%VBM(FOFSBUJWF"EWFSTBSJBM/FUXPSLTz
    BS9JW QSFQSJOUBS9JW
    
    

    View Slide

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
    
    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
    
    

    View Slide

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)
    
    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
    
    

    View Slide

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)
    
    ・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
    

    View Slide

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
    Ҿ༻ɿ
    ɾ(PJOH%FFQFSXJUI$POWPMVUJPOT
    IUUQTXXXDTVODFEVdXMJVQBQFST(PPH-F/FUQEG
    ɾIUUQHMFFXJLJBDPNXJLJ'JMF8FOFFEUPHPEFFQFS@JODFQUJPOKQH
    ɾBNB[PO Πϯηϓγϣϯ
    

    View Slide

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
    Ҿ༻ɿ
    ɾBS9JW
    #&351SFUSBJOJOHPG%FFQ#JEJSFDUJPOBM5SBOTGPSNFSTGPS-BOHVBHF6OEFSTUBOEJOH
    IUUQTBSYJWPSHBCT
    ɾηαϛετϦʔτެࣜαΠτ
    

    View Slide

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]
    Ҿ༻ɿ
    ɾ3FDVSSFOU&YQFSJFODF3FQMBZJO%JTUSJCVUFE3FJOGPSDFNFOU-FBSOJOH
    IUUQTPQFOSFWJFXOFUGPSVN JESMZ5K"R:9
    ɾελʔ΢ΥʔζެࣜαΠτ
    

    View Slide

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)
    
    ・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
    

    View Slide

87. © 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
    

    View Slide

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$4.3Bの投資がされている
    AI×ヘルスケアの市場
    Ҿ༻ɿ
    ɾ$#*/4*()54
    IUUQTBQQDCJOTJHIUTDPNSFTFBSDISFQPSUBJUSFOETIFBMUIDBSF
    

    View Slide

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
    Ҿ༻ɿ
    ɾ$#*/4*()54
    IUUQTBQQDCJOTJHIUTDPNSFTFBSDISFQPSUBJUSFOETIFBMUIDBSF
    

    View Slide

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
    Ҿ༻ɿ
    ɾ$#*/4*()54
    IUUQTBQQDCJOTJHIUTDPNSFTFBSDISFQPSUBJUSFOETIFBMUIDBSF
    

    View Slide

91. © 20181204 @Tdys13 91
    世界は進んでる！
    ⽇本はどうなの！
    

    View Slide

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
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    

    View Slide

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
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    

    View Slide

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！！
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    

    View Slide

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！
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    

    View Slide

96. © 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
    

    View Slide

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)
    
    
    
    [ -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
    
    

    View Slide

98. © 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
    

    View Slide

99. © 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
    

    View Slide

100. © 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
     

     View Slide

101. © 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
     

     View Slide

102. © 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
     

     View Slide

103. © 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/
     

     View Slide

104. © 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/
     

     View Slide

105. © 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$"
     

     View Slide

106. © 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.
     

     View Slide

107. © 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
     

     View Slide

108. © 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/
     

     View Slide

109. © 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/
     

     View Slide

110. © 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
     

     View Slide

111. © 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
     
     
     
     
     

     View Slide

112. © 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
     
     
     
     
     

     View Slide

113. © 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
     
     
     
     
     

     View Slide

114. © 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/
     

     View Slide

115. © 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
     
     

     View Slide

116. © 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
     

     View Slide

117. © 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
     

     View Slide

118. © 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
     

     View Slide

119. © 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
     
     

     View Slide

120. © 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
     

     View Slide

121. © 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
     
     

     View Slide

122. © 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/
     

     View Slide

123. © 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
     

     View Slide

124. © 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
     

     View Slide

125. © 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
     

     View Slide

126. © 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/
     

     View Slide

127. © 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/
     

     View Slide

128. © 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
     

     View Slide

129. © 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
     

     View Slide

130. © 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
     

     View Slide

131. © 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
     

     View Slide

132. © 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
     
     

     View Slide

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
     
     
     
     ֶձɾδϟʔφϧ
     
     
     
     
     ژηϥ ʷஜ೾େֶ >
     ྟচը૾ʹΑΔൽෘ͕Μͷࣗಈݕग़
     Ҿ༻ɿ
     ɾϓϨεϦϦʔε ژηϥൽෘजᙾͷྑѱੑΛ൑ఆ͢Δਓ޻஌ೳ਍அิॿγεςϜΛ։ൃ
     IUUQTXXXLDDTDPKQOFXTSFMFBTF
     

     View Slide

134. © 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
     
     

     View Slide

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
     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
     
     
     
     
     
     
     
     
     
     

     View Slide

136. © 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
     
     
     
     
     

     View Slide

137. © 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
     
     
     
     
     

     View Slide

138. © 20181204 @Tdys13 138
     ⽇本におけるAI×医⽤画像診断(詳細)
     -1JYFM ʷ ٱཹถେֶපӃ>
     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/
     

     View Slide

139. © 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%
     

     View Slide

140. © 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！
     

     View Slide

141. © 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！
     

     View Slide

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
     
     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
     

     View Slide

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
     

     View Slide

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：
     ・ *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
     

     View Slide

145. © 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
     

     View Slide

146. © 20181204 @Tdys13 146
     まとめ
     誰かの課題を解決するための⼿段の⼀つとして⼈⼯知能が使われていく
     テクノロジー×医療はやっぱり⾯⽩い！！！！
     

     View Slide