AI の基礎と核医学画像への応用 (2023/02/10)

第73回 札幌核医学技術研究会 2023/02/10 AI の基礎と 核医学画像への応⽤ ⼤阪公⽴⼤学医学部附属病院 中央放射線部 ⽚⼭ 豊 利益相反: 講演内容の⼀部は JSPS 科研費 19K09533 の助成を受けたものです．

講演スライドについて • 公演スライドは Docswell と SlideShare で公開中 Docswell (新) SlideShare (旧)

⾃⼰紹介 [職歴] ⇦ 就職氷河期世代なので転職が多い • 1998 年: オートバイ⽤マフラーの開発・製造 • 2003 年: ⼤阪⼤学医学部附属病院 • 2004 年: 市⽴泉佐野りんくう総合医療センター • 2006 年: 社会医療法⼈仙養会 北摂総合病院 • 2007 年: ⼤阪市⽴⼤学医学部附属病院 (現 ⼤阪公⽴⼤学医学部附属病院) [研究歴] ⇦ 主に画像処理の課題を取り扱っている • 2010 年: スパースコーディングを⽤いたステレオマッチング • 2013 年: バイラテラルフィルタを⽤いたデノイズ処理 • 2014 年: スパースコーディングを⽤いた超解像 • 2017 年: 深層学習を⽤いた超解像 放射線科医局にて撮影 (2018 年 3 ⽉) • 2018 年: 超解像を⽤いたデノイズ処理 • 2019 年: 敵対的⽣成ネットワークを⽤いた放射線画像の⽣成 • 2020 年: ⾮参照画質メトリクスを⽤いた放射線画像の評価 • 2022 年: Diffusion Model を⽤いた放射線画像の⽣成 [学会] • 2021 年: ⽇本放射線技術学会 近畿⽀部 研究教育委員会 委員 古い電⼦機器の再現に取り組んでいる

講演内容の要約 • Artificial Intelligence (AI) 概論 • 最近の AI 技術 • データセット • ⾃験例の紹介 • 放射線画像を教師データとした⼈⼯知能技術 “⼈⼯知能” で⽣成 • DA2DSA-GAN • Detection@MIBI • Grad-CAM • ⾃然画像を教師データとした⼈⼯知能技術 • 超解像 • デノイズ • まとめ “街中に居るたぬき” で⽣成

Ar#ficial Intelligence (AI) とは • 「“学習・推論・判断” といった⼈間の知能のもつ機能を備えた コンピュータシステム (広辞苑第三版より)」という定義 • 医療への AI の応⽤を考えた場合も同じ定義 イヌ ウマ “Illustration of Artificial Intelligence” で⽣成

Artificial Intelligence (AI) とは Daiju Ueda, Akira Yamamoto, Masataka Nishimori, Taro Shimono, Satoshi Doishita, Akitoshi Shimazaki, Yutaka Katayama, Shinya Fukumoto, Antoine Choppin, Yuki Shimahara, Yukio Miki. Deep learning for MR angiography: automated detecIon of cerebral aneurysms. Radiology, 2019, 290.1: 187-194.

AI ≒ DL？ ルールベース ⇒ “A の場合 B” 形式の 論理ルールで表現し 与えられた問題に対して ルールを適⽤し解を発⾒ 深層学習は ⼈⼯知能を実現する 機械学習の特別な型 ⼈⼯知能 (Ar4ficial Intelligence: AI) ⇒ 総合的な概念と技術 機械学習 (Machine Learning: ML) ⇒ 明⽰的にプログラムせずとも 学習能⼒をコンピュータに与える技術 深層学習 (Deep Learning: DL) ⇒ 機械学習技術の⼀つである Neural Network の多層化により実現した技術

機械学習 (Machine Learning: ML ) • コンピュータにデータを与え， アルゴリズムに基づいた分析をさせる⼿法 • 教師あり学習 ⇒ 学習データに正解を与えた状態で学習させる⼿法 ⇒ ⼈⼯知能の医⽤応⽤ (診断補助) で主流 • 教師なし学習 ⇒ 学習データに正解を与えない状態で学習させる学習⼿法 ⇒ 医療以外では教師なし学習を⽤いた研究が増加 • 強化学習 ⇒ 与えられた条件下で得られる報酬を最⼤化する⽅法を 試⾏錯誤を通じて探索し続ける学習 ⇒ 囲碁，オセロなどのゲーム AI や⾃動運転に利⽤ ⇒ 問診 AI を作るなら強化学習 “⼈⼯知能” で⽣成

AI の歴史 • 技術の歴史: ルールベース⇒機械学習⇒深層学習 ⇒取り扱えるデータ量の増加が各ブームのきっかけ • 2014 年 敵対的⽣成ネットワーク (GAN) • 2018 年 ⾃然⾔語処理 (BERT) • 2020 年 Vision Transformer (ViT) • 2021 年 Mul4modal AI (text2image) • 2022 年 ChatGPT (GPT-3.5) 引⽤: 総務省 HP 第 1 部 特集 IoT・ビッグデータ・AI 〜ネットワークとデータが創造する新たな価値〜 h+p://www.soumu.go.jp/johotsusintokei/whitepaper/ja/h28/html/nc142120.html

AI の種類 • 理想: ⼈間のように考えて⾏動できる AI ⇒ 汎⽤的な AI = AGI: Artificial General Intelligence ⇒ 強い AI (Strong AI) • ex) ドラえもん “ドラえもん” で⽣成 • 現実: ⼈より巧みに⾏える物事が予め定義された⼀つに限定 ⇒ 弱い AI (Narrow AI) • ex) iPhone & Siri，Android & Google アシスタント “iPhone の Siri” で⽣成

AI ができること・していること • ⼊⼒に対して適切な出⼒を出すシステム • 膨⼤な計算を膨⼤なエネルギーを使って 膨⼤な半導体を動作させて解答または選択肢を絞り込む “Gaming PC” で⽣成 ⇒ 強引なやり⽅ ⇒ 数を撃てば当たるの総当たり戦略 • Machine learning is just statistics ! “IllustraIon of Big Data” で⽣成

講演内容の要約 • Artificial Intelligence (AI) 概論 • 最近の AI 技術 • データセット • ⾃験例の紹介 • 放射線画像を教師データとした⼈⼯知能技術 “⼈⼯知能” で⽣成 • DA2DSA-GAN • Detection@MIBI • Grad-CAM • ⾃然画像を教師データとした⼈⼯知能技術 • 超解像 • デノイズ • まとめ “街中に居るたぬき” で⽣成

⽂章要約サービス (text2text) AI により⽂章の要約や⽂章校正を⾏い作業効率が向上するサービスが登場 www.digest.elyza.ai ai-tanteki.com shodo.ink

AI による⽂章⽣成 • “核医学”，“完全に理解した” をキーワードに⽂章⽣成した結果 ニュース記事 メール⽂ 職務経歴書 https://www.pencil.elyza.ai

• https://www.pencil.elyza.ai

ChatGPT- 対話を実現する AI ⾮公式のデスクトップアプリもあり • OpenAI は 2022 年 11 ⽉ 30 ⽇に対話型⾔語モデル “ChatGPT” を発表 • ⼊⼒されたの質問に回答，誤りを認めたり，間違った前提に異議を唱えたり，不適切な要求を拒否できる

ChatGPT- 対話を実現する AI • もっともらしい⽂章を⽣成する AI • 間違いも多いがそれなりに読める⽂章 ⇒ 嘘や間違いを判断する必要がある

ChatGPT- 対話を実現する AI • 専⾨性のある⽂章もそれなりに⽣成 ⇒ Transformer + 強化学習 ⇒ 検索エンジンの将来？ ⇒ VSCode や Azuru から利⽤

マルチモーダル AI • 数値/画像/テキスト/⾳声などの 複数種類のデータ (Modality) を組み合わせて処理できる 単⼀の AI モデル (ニューラルネットワークのモデル) を指す． • text2image ⇒ 画像⽣成 • text2video ⇒ 動画⽣成 • text2mesh (3D) ⇒ 三次元形状の復元 • Text2audio/music ⇒ ⾳楽⽣成 • text2program ⇒ ソースコードの⽣成 ⇒ ⾔語化できれば AI が実現させてくれる． ⇒ ジェネレーティブ (⽣成系) AI とも呼ばれている．

Stable Diffusion (text2img) • Stable Diffusion (Initial Release: 2022/08/22) • 学習データは “美しさ” を重視した データセット “LAION Aesthetics” を⽤い， 20 億枚の画像とキーワードのペアを学習 • 延べ 117 万ステップ， 15 万時間の計算が AWS で費やされた • 無償で使える • NovelAI Diffusion の基となっている • ⼀般的な GPU で動作可能 • アーティストやその他のクリエイターの権利 を侵害しているとして，Stability AI， Midjourney，DeviantArt に対して集団訴訟

AI が⽣成した画像 Stability AI (Stable Diffusion の開発元) Stable Diffusion OpenJourney Sacred and wonderful oil painting of a messed up fat cat celebrating the arrival of a new era. 新しい時代の到来を祝福するメチャクチャ太った猫の神聖で素晴らしい油絵

DALL·E mini (text2img) • DALL·E mini (Initial Release: 2021/07/30) • 3,000 万個のラベル付された画像を分析し， 単語と画素の間にある関係性を 抽出することで収集した統計パターンを 利⽤して画像を作成 • OpenAI が公開したものを含め ウェブから収集した公開画像集から 訓練データをまとめた

DALL·E mini (text2img) • Stable Diffusion では⽣成できなかったが， DALL·E mini では放射線画像が⽣成可能 ⇒ 学習データの違いが原因だと考えられる．

講演内容の要約 • Ar0ficial Intelligence (AI) 概論 • 最近の AI 技術 • データセット • ⾃験例の紹介 • 放射線画像を教師データとした⼈⼯知能技術 “⼈⼯知能” で⽣成 • DA2DSA-GAN • Detec9on@MIBI • Grad-CAM • ⾃然画像を教師データとした⼈⼯知能技術 • 超解像 • デノイズ • まとめ “街中に居るたぬき” で⽣成

教師あり学習に必要なデータセット • 画像解析 (病気の検出や分類) の教師データ • 病気のある画像が必要 • 病気の組成がわかる • 病理検査の結果があればベスト • 画像処理の教師データ The standard digital image database with and without chest lung nodules Japanese Society of Radiological Technology • 必要な特徴が得られるのであれば⾃然画像で問題ない ⇒ ImageNet や DIV2K などの ⇒ ⾃然画像のデータセットを利⽤ • ⾃然画像のみでは査読者の 理解が得られない可能性 DIV2K dataset: DIVerse 2K resoluLon high quality images as used for the challenges @ NTIRE (CVPR 2017 and CVPR 2018) and @ PIRM (ECCV 2018)

放射線画像のオープンデータセット • 画像と病理が紐付いている疾患のデータセットが多い ⇒ 肺がんや乳がんを対象とした画像が多い ChestX-ray14 (NIH) 30,805 ⼈/112,120 枚 CheXpert (Stanford ML Group) 65,240 ⼈/224,316 枚 MINIC-CXR (MIT) 65,370 ⼈/227,835 枚 ⇒ 公開データにはラベル間違いがある (ChestX-ray14) ⇒ 公開データを⽤いる場合はラベルのチェックが必要

正しい教師データが必要な理由 • 学習時 • 教師あり学習では，AI はデータのバイアスも学習している ⇒ 正しくないデータの持つ特徴を学習して精度が出ないモデルとなる • 検証時 • テストデータの正解は本当に正解なのかを確認することが必要 • 正解が不明だと出⼒された判断が正しい可能性がある ⇒ 作成したモデルの評価が正しく⾏えない • 深層学習で精度を出す根幹はデータの質と量 ⇒ 深層学習は学習データが多くなることで性能向上 • 正しいデータは多ければ多いほど良好データセット ⇒ 必要な医⽤画像を⼤量に取得することが最⼤の課題

Scikit-Learn Algorithms Cheat-Sheet • Scikit-Learn: Python のオープンソース機械学習ライブラリ ⇒ どの様な AI Model を作るときにどれ位のデータ量が必要かをまとめたチートシート

⼤規模データセットの登場 RUSSAKOVSKY, Olga, et al. Imagenet large scale visual recognition challenge. International journal of computer vision, 2015, 115.3: 211-252.

ImageNet • 物体認識ソフトウェアの研究で ⽤いるために設計された ⼤規模な画像データベース • 1400 万を超える画像に⼿作業で アノテーションを⾏い， 画像に写っている物体を提⽰ • 100 万枚以上の画像に バウンディングボックスが付与 • 2 万を超えるカテゴリがあり， その中には “balloon” や “strawberry” と いった数百枚の画像で構成される ⼀般的な物体カテゴリが含まれている RUSSAKOVSKY, Olga, et al. Imagenet large scale visual recognition challenge. International journal of computer vision, 2015, 115.3: 211-252.

オープンデータ・データセットの利⽤ • ⽶マサチューセッツ⼯科⼤学 (MIT) は 2020 年 6 ⽉ 29 ⽇， ⼈種差別⽤語や⼥性差別を助⻑するとして，“Tiny Images” と⾔ う⼤規模なデータセットをオフラインにした • “Tiny Images” は，⾼度な物体検出技術を開発するために 8000 万枚以上の画像で成り⽴ち，2008 年に作成された • データセット内に問題のあるラベルのついた画像の例 • AI が⼈種や性別の偏⾒や差別を⽰す例は多数ある • 学習させるデータを如何に 公平公正な品質に保つことが課題 • マイノリティが AI によって不利益になってはならない Prabhu, Vinay Uday, and Abeba Birhane. "Large image datasets: A pyrrhic win for computer vision?." arXiv preprint arXiv:2006.16923 (2020). Figure 1 より引⽤

合成データ (Synthetic Data) の登場 • AI の主流である深層学習では膨⼤な教師データが必要不可⽋ • 現実世界に⾜りないデータを補うために “合成データ” を⽤いる • 実際に撮影された “本物” のデータとは異なり， GAN や Diffusion Model などにより⽣成した “偽物” のデータ “ICCV2021” で Microso` が発表した “Fake it 4ll you make it” は 合成データのみを⽤いて ⼈間の顔を解析できることを実証 ←図11 学習データとして使⽤するために ランダムに⽣成しレンダリングした合成顔 WOOD, Erroll, et al. Fake it till you make it: face analysis in the wild using synthetic data alone. In: Proceedings of the IEEE/CVF international conference on computer vision. 2021. p. 3681-3691.

合成データ (Synthetic Data) の可能性 • シンセティックデータは実際のデータに基づいて⽣成 ⇒ 実際のデータとシンセティックデータは統計的には同じ ⇒ 実際のデータを使って学習させた場合と同じ結論を得られる ⇒ データ不⾜を補うため，プライバシーを守るために有⽤ • シンセティックデータの問題点 ⇒ 合成データはデータセット⾃体が持つ バイアスを回避できると主張 ⇒ 合成データを⽣成するために使⽤された 本物のデータに偏りがない場合のみ成り⽴つ主張

脳画像合成データのオープンソース • 英国キングス・カレッジ・ロンドンが， 脳の合成画像を 10 万枚⽣成し， オープンソースとして公開すると発表 • AI を⽣成する教師データとなる医⽤画像は 世界的に不⾜している • 脳画像の合成技術が普及すれば， 関連研究を⼤きく前進させられると期待 http://amigos.ai/thisbraindoesnotexist/

• http://amigos.ai/thisbraindoesnotexist/

講演内容の要約 • Ar0ficial Intelligence (AI) 概論 • 最近の AI 技術 • データセット • ⾃験例の紹介 • 放射線画像を教師データとした⼈⼯知能技術 “⼈⼯知能” で⽣成 • DA2DSA-GAN • Detec9on@MIBI • Grad-CAM • ⾃然画像を教師データとした⼈⼯知能技術 • 超解像 • デノイズ • まとめ “街中に居るたぬき” で⽣成

敵対的⽣成ネットワーク (⾃験例) DSA のミスレジストレーションからの開放 ⇒ マスク像を撮影しない DSA 画像の⽣成

⾎管造影検査 Digital Angiography (DA) → 時間 Digital Subtrac4on Angiography (DSA) → 時間 • 当院の脳⾎管造影検査では DSA のみ PACS に転送している． ⇒ 装置から DA を直接取り出して DA から DSA を作成し学習を⾏なった．

敵対的⽣成ネットワーク ⇒ pix2pix ISOLA, Phillip, et al. Image-to-image translation with conditional adversarial networks. In: Proceedings of the IEEE conference on computer vision and pattern recognition. 2017. p. 1125-1134. Condi4onal GAN の⼀種である pix2pix を使⽤ Condi4onal GAN では "条件ベクトルと画像のペア" を学習データとしてその対応関係を学習していたが， pix2pix では "条件画像と画像のペア" を学習データとしてその対応関係を学習 ⇒ pix2pix は条件ベクトルの代わりに条件画像を使⽤し，画像から画像への変換問題を扱う Condi4onal GAN

Real (DA) Real (DSA) Fake (DA2DSA-GAN)

本課題のポイント • 敵対的⽣成ネットワークが話題 (だった) • 教師あり⼿法は教師なし⼿法に⽐べて⾼性能 ⇒ CycleGAN を使いたくなかった ⇒ ConditionalGAN を使って放射線画像処理がしたかった • 普段通りの⼿技を⾏うことで学習⽤データが収集可能 ⇒ データセット数が集まる⾒込みを⽴て易い • image2image transfer は課題の設定がし易く汎⽤性が⾼い ⇒ 吸収補正のない PET 画像から吸収補正を適⽤した PET 画像を⽣成

副甲状腺 (⾃験例) • 99mTc-MIBI 副甲状腺シンチグラフィによる病変の検出 • 2010 年 6 ⽉から 2019 年 3 ⽉までに ⼀次性副甲状腺機能亢進症 (PTPH) と診断された 410 症例の画像を使⽤ • 核医学検査では PACS へ キャプチャ画像を転送しているが， 本稿では⽣データ (Static 像) から モデルを作成した． • 早期相/後期相のみを⽤いて 各相でモデルを作成した． Yoshida, A., Ueda, D., Higashiyama, S., Katayama, Y., Matsumoto, T., Yamanaga, T., ... & Kawabe, J. (2022). Deep learning-based detecGon of parathyroid adenoma by 99mTc-MIBI scinGgraphy in paGents with primary hyperparathyroidism. Annals of Nuclear Medicine, 36(5), 468-478.

AI の判断基準の可視化 => AI の性能評価 • Grad-CAM Selvaraju, R. R., Cogswell, M., Das, A., Vedantam, R., Parikh, D., & Batra, D. (2017). Grad-cam: Visual explanations from deep networks via gradient-based localization. In Proceedings of the IEEE international conference on computer vision (pp. 618-626).

胸部エックス線写真 (⾃験例) • 撮影された画像と依頼内容が⼀致しているかを判断する AI ⇒ 胸部エックス線写真の撮影⽅向を判断 ⇒ 判断根拠を Grad-CAM で表⽰ AP: 98.6 % の分類精度で判断可能 PA: 99.6 %の 分類精度で判断可能 Deep Convolutional Neural Network を利⽤した撮影画像と依頼オーダーの整合性判定@JRC2021

⾻シンチグラフィ (⾃験例) • ⾻転移の検索や治療効果判定に広く⽤いられている • 肋⾻の⾻転移は，肋⾻に沿った接線⽅向に RI 異常集積が認められるた め，斜位像の追加を⾏うことが多い • 正⾯像のみから肋⾻転移を判断するモデルの作成 • 教師データは 402 例の打撲の症例と 437 例の肋⾻転移の症例の Sta+c 像 • 打撲と転移は 90.0 % 以上の精度で判断 (分類) 可能 Differentiation of trauma and bone metastasis in the ribs of bone scintigraphy using AI, and visualization of the site of interest of AI by Grad-CAM@RSNA2021

講演内容の要約 • Ar0ficial Intelligence (AI) 概論 • 最近の AI 技術 • データセット • ⾃験例の紹介 • 放射線画像を教師データとした⼈⼯知能技術 “⼈⼯知能” で⽣成 • DA2DSA-GAN • Detec9on@MIBI • Grad-CAM • ⾃然画像を教師データとした⼈⼯知能技術 • 超解像 • デノイズ • まとめ “街中に居るたぬき” で⽣成

超解像技術 • ⾼解像度画像と低解像度画像の関係を学習し， 与えられた低解像度画像に⾼解像度化処理を適⽤ 低解像度画像 ⾼解像度画像 DALL·E mini で⽣成した画像

超解像技術のブレイクスルー • スパースコーディングを⽤いた超解像 ⇒ Sparse coding Super-Resolution (ScSR) • Yang, Jianchao, et al. "Image super-resolution via sparse representation." IEEE transactions on image processing 19.11 (2010): 2861-2873. • 深層学習を⽤いた超解像 ⇒ Super-Resolution Conventional Neural Network (SRCNN) • Dong, Chao, et al. "Image super-resolution using deep convolutional networks." IEEE transactions on pattern analysis and machine intelligence 38.2 (2015): 295-307. • 敵対的⽣成ネットワークを⽤いた超解像 ⇒ Generative Adversarial Network for Super-Resolution (SRGAN) • Ledig, Christian, et al. "Photo-realistic single image super-resolution using a generative adversarial network." Proceedings of the IEEE conference on computer vision and pattern recognition. 2017.

超解像の教師データ • ⾼解像度かつ統計ノイズの少ない画像が必要 • 装置の幾何学的な制約や被ばく線量の最適化 (正当化) のため， 臨床検査で出⼒している画像以上の画像を取得することが困難 ⇒ ⾃然画像を教師データに⽤い放射線画像の⾼解像度化処理を適⽤ 1. AGUSTSSON, Eirikur; TIMOFTE, Radu. N]re 2017 challenge on single image super-resolu]on: Dataset and study. In: Proceedings of the IEEE conference on computer vision and pa_ern recogni]on workshops. 2017. p. 126-135.

超解像適⽤前後の CT 画像 (SRCNN) 元画像 超解像適⽤画像 第 47 回 ⽇本放射線技術学会秋季学術⼤会

超解像適⽤前後の PET (ESRGAN) ⽬標画像 (440×440) 元画像 (220×220) 超解像適⽤画像 (440×440) • • • • Hoffman Phantom 18F (26 MBq) Biograph Vision (SIEMENS) 収集時間: 30 分間 PSNR: 32.7149 dB

超解像適⽤前後の PET (ESRGAN) 元画像 (440×440) 超解像適⽤画像 (880×880) • • • • Hoffman Phantom 18F (26 MBq) Biograph Vision (SIEMENS) 収集時間: 30 分間

超解像適⽤前後の⾻シンチグラフィ (ESRGAN) 元画像 (256×256) 超解像適⽤画像 (512×512)

deepImageJ • Segmenta9on • Denoising • Super-Resolu9on ⇒ ImageJ/FIJI のプラグイン https://deepimagej.github.io/deepimagej/

• https://deepimagej.github.io/deepimagej/

deepImageJ の超解像を適⽤した画像 元画像 超解像適⽤画像

デノイズ処理の実現に必要な教師データ • AI を⽤いたデノイズ処理を実現するには 統計ノイズの少ない画像と対応した 統計ノイズの多い画像のペアが必要 • 臨床検査で撮影されている放射線検査の 画像は被ばく線量の最適化のため 統計ノイズが少ない画像の獲得が困難 • Grayscale に変換した⾃然画像 (DIV2K)1 と ガウシアンノイズを付加した DIV2K の ペアからデノイズモデルを作成し， 放射線画像のノイズ低減処理を 可能とするデノイズモデルを作成 1. AGUSTSSON, Eirikur; TIMOFTE, Radu. N]re 2017 challenge on single image super-resolu]on: Dataset and study. In: Proceedings of the IEEE conference on computer vision and pa_ern recogni]on workshops. 2017. p. 126-135. DIV2K (ノイズなし) DIV2K (ノイズあり)

画像の供覧 - 元画像/従来⼿法/提案⼿法 120 秒収集 Original 従来⼿法 Gaussian 提案⼿法 DnCNN 180 秒収集 300 秒収集 450 秒収集 600 秒収集 900 秒収集 ⽬標画像 1800 秒収集

結果 - 数値評価 PSNR [dB] 50 45 40 35 30 25 20 15 10 5 0 0 100 200 300 400 Original 500 DnCNN 600 Gaussian 700 800 900 1000 収集時間 [sec]

先⾏研究との⽐較 PSNR [dB] 45 40 35 30 25 20 15 10 5 0 200 400 Original 600 DnCNN 800 Gaussian 1000 収集時間 [sec] ⽚⼭豊, et al. PET 画像に対する超解像を⽤いたデノイズ⼿法の適⽤. ⽇本放射線技術学会雑誌, 2018, 74.7: 653-660. Fig.2 から引⽤ • 対象画像は異なるが超解像を⽤いたデノイズ処理4 と同様の結果 4. ⽚⼭豊, et al. PET 画像に対する超解像を⽤いたデノイズ⼿法の適⽤. ⽇本放射線技術学会雑誌, 2018, 74.7: 653-660.

AI 技術を⽤いたデノイズ処理の利点 • ⾃然画像にノイズを⾜した画像から 作成したデノイズモデルを⽤いて PET 画像のノイズ低減処理が実⾏可能 • AI によるデノイズ処理はノイズを学習しノイズ低減を⾏うた め， 学習時の画像と異なる種類の画像に対しても性能が発揮し易い • ノイズを選択的に低減する処理なので， 処理後の画像は辺縁が保持される特徴を有す

講演内容の要約 • Ar0ficial Intelligence (AI) 概論 • 最近の AI 技術 • データセット • ⾃験例の紹介 • 放射線画像を教師データとした⼈⼯知能技術 “⼈⼯知能” で⽣成 • DA2DSA-GAN • Detec9on@MIBI • Grad-CAM • ⾃然画像を教師データとした⼈⼯知能技術 • 超解像 • デノイズ • まとめ “街中に居るたぬき” で⽣成

2D から 3D を⽣成する AI • 教師データが豊富にある領域では ⼆次元画像から三次元形状を復元する試みが多数⾏われている． R: Saito, Shunsuke, et al. "PIFuHD: Multi-Level Pixel-Aligned Implicit Function for High-Resolution 3D Human Digitization." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020. P.91 の Figure 7 より引⽤ L: Ying, Xingde, et al. "X2CT-GAN: reconstructing CT from biplanar X-rays with generative adversarial networks." Proceedings of the IEEE conference on computer vision and pattern recognition. 2019. P10625 Figure 6 より引⽤

教師なし⼿法 (⾮⼈⼯知能技術) • 少数の投影像から三次元形状の復元 • Computer Vision 技術を⽤いて ⼆⽅向の画像から三次元形状が復元が可能 • 99mTc-GSA 検査の三次元画像解析に応⽤したい 領域抽出を⾏った後の⼊⼒画像 This work was supported by JSPS KAKENHI Grant Number 19K09533.

医⽤画像領域の AI の現状 • 教師データの作成に医⽤情報が必要 ⇒ 医療従事者の介在が必須 ⇒ 研究 << 臨床: ⽬新しさよりも安定を求める傾向 • 医⽤画像領域の AI を実装する最⼤の課題は教師データの取得 ⇒ 公開データは本当に正しいデータなのか不明 ⇒ ⾃施設での臨床応⽤には⾃施設のデータでモデル作成が必須 ⇒ 薬事などの問題が解決しないと実現不可能 • 治療に⽤いるアプリケーションや AI 診断⽀援システムなどを 医療機器として早期承認する新制度を導⼊ (2024 年度中に導⼊) ⇒ 市場投⼊までの期間を 1 年以内に短縮することを⽬指す * LUCHINI, Claudio; PEA, Antonio; SCARPA, Aldo. Artificial intelligence in oncology: current applications and future perspectives. British Journal of Cancer, 2022, 126.1: 4-9.

医⽤画像領域の AI で⽬指したい所 • 肺がんや乳がんなどの診断⽀援 AI は教師データが多く， 臨床検査に導⼊されている* が， データの集まらない領域 (疾患) の AI にこそ価値がある ⇒ 医療領域へ AI が展開するには教師なし⼿法の発展が必要 • AI により⽣成された画像の臨床応⽤には課題が多い ⇒ ⽣成画像の評価⽅法が⼀般化していない ⇒ 学習データに依存する⽣成画像を ⇒ 臨床応⽤する正当性についての議論 * LUCHINI, Claudio; PEA, Antonio; SCARPA, Aldo. Artificial intelligence in oncology: current applications and future perspectives. British Journal of Cancer, 2022, 126.1: 4-9.