学ぶ！ 究める！ 医療AI

出版社： インナービジョン
著者：
発行日： 2020-04-21
分野： 臨床医学：一般  >  臨床医学一般
ISBN： 9784902131857
電子書籍版： 2020-04-21
書籍・雑誌
≪全国送料無料でお届け≫
取寄せ目安：8～14営業日

3,190 円(税込)

購入する
電子書籍
章別単位で購入
ブラウザ、アプリ閲覧

2,871 円(税込)

購入する

商品紹介

第三次人工知能（AI）ブームが巻き起こる中，AIは今や医療には欠かせないイノベーションとなり，実装段階に入ったと言えます。とはいえ，AIについて，十分な理解や知識があると確信できる人は今でも限られるかもしれません。
そこで今回，AIをテーマにしたインナービジョン誌の特集やシリーズから選りすぐった記事で構成する，AI入門 MOOK本を刊行します。医療AIの基礎から研究最前線までをまとめてわかりやすくおさらいできるMOOKです。本MOOKが，医療AIの今をつかみ，未来を築く一歩となることを願います。

目次

  • ■プロローグ
    Medical AI×CAD

    ■Chapter1
    押さえておきたいディープラーニングのポイント

    I AIの基礎知識
    　1. 今なぜAIなのか？
    　　─医療分野のAIブームの背景と今後の展望　　
    　2. ディープラーニングの基礎知識
    　　─押さえておくべき用語と手法

    II ディープラーニングによる研究に向けて
    　1. ディープラーニングで必要となるハードウエア，ソフトウエア，
    　　　プラットフォーム，プログラミング言語　　
    　2. ディープラーニング研究におけるデータの種類と収集のポイント
    　3. Neural Network Consoleで学ぶ，始める
    　4. AI研究開発のためのハンズオンセミナーの活用
    　5. NVIDIAハンズオンセミナー（Deep Learning Institute：DLI）とDIGITSの概要

    III ディープラーニング研究における学習と評価の実際
    　1. データセットの作成と学習方法のノウハウ，学習後の評価方法
    　2. ディープラーニング研究の臨床評価と薬機法審査の実際

    IV ディープラーニング研究・開発の国内外の動向
    　1. わが国におけるメディカルAI研究開発の現状と課題
    　2. 医療AIの研究開発を支えるデータ利活用環境の課題と展望
    　3. 医療ビッグデータ研究センターにおけるAI 研究開発の取り組み
    　4. 米国における医療分野のAI研究開発の動向
    　　　─Patient EngagementとImaging 3.0の視点から　　　　　
    　5. 中国における医用画像分野のAI研究開発の躍進

    V ディープラーニング研究に関する法律・制度
    　1. 医療分野のディープラーニング研究に必要となる法律・制度の基礎知識
    　橋本　正弘（慶應義塾大学）

    ■Chapter2
    論文から見るディープラーニング研究最前線

    1. 放射線治療の患者プラン検証におけるディープラーニングの適応可能性
    2. 肝画像診断へのディープラーニングの応用
    3. 畳み込みニューラルネットワーク（DCNN）を用いた良性肺結節，原発性肺がん，
    　 　転移性肺腫瘍の分類のためのコンピュータ支援診断（CADx）システム
    4. 深層学習（ディープラーニング）による三次元CT画像からの多臓器の自動抽出
    5. 冠動脈CT画像解析へのディープラーニングの応用
    6. GANによるディープラーニングを用いた肺結節の良悪性自動鑑別の性能向上
    7. ディープラーニングを用いたMRAにおける脳動脈瘤検出補助アルゴリズムの作成
    8. 4D FC-ResNetを用いたディープラーニングによるGd-EOB-DTPA造影MR画像における
    　　肝臓セグメンテーション
    9. 畳み込みニューラルネットワークによる事前の学習データセットを必要としない

    　　ダイナミックPET画像のノイズ低減手法【1】と
    　　低線量CT画像の大腰筋セグメンテーション【2】
    10. 三次元畳み込みニューラルネットワークによる大腸内視鏡病変検出支援
    11. ディープラーニングによるテクスチャ医用画像認識のための2段階転移学習
    12. ディープラーニングを用いた臨床CT画像からの筋骨格解剖の自動認識システム
    13. 顎顔面領域の画像診断へのディープラーニングの適用

    ■エピローグ
    インタビュー　“ディープラーニングの父”福島邦彦氏に聞く
    AIをブームで終わらせないためにも，私たちはもっと“脳に学ぶ”必要がある

この書籍の参考文献

参考文献のリンクは、リンク先の都合等により正しく表示されない場合がありますので、あらかじめご了承下さい。

本参考文献は電子書籍掲載内容を元にしております。

プロローグ

P.6 掲載の参考文献
1) Mukherjee, S. :A. I. Versus MD., What hap-pens when diagnosis is automated? Annals of Medicine, April 3, 2017 Issue, The New Yorker, 2017. https://www.newyorker.com/magazine/2017/04/03/ai-versus-md
 
2) 医療AIとディープラーニングシリーズ2020-2021年版 はじめての医用画像ディープラーニング-基礎・応用・事例-. 藤田広志 監修・編, オーム社, 東京, 2020.
 
3) 医療AIとディープラーニングシリーズ2020-2021年版 標準 医用画像のためのディープラーニング-入門編-. 藤田広志 監修, 福岡大輔編, オーム社, 東京, 2020.
 
4) 医療AIとディープラーニングシリーズ 標準 医用画像のためのディープラーニング-実践編-. 藤田広志 監修, 原 武史 編, オーム社, 東京, 2019.
 
5) 医療AIとディープラーニングシリーズPythonによる医用画像処理入門. 藤田広志監修, 上杉正人, 平原大助, 齋藤静司 編, オーム社, 東京, 2020.
 
6) 医療AIとディープラーニングシリーズ2020-2021年版 放射線治療AIと外科治療AI. 藤田広志 監修, 有村秀孝, 諸岡健一 編, オーム社, 東京, 2020.
 
7) 総務省:令和元年版 情報通信白書:第1部特集進化するデジタル経済とその先にあるSoci-ety 5.0. https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r01/html/nd113220.html
 
8) 藤田広志:9.人工知能(AI)最新動向:AI-CADの最新動向. INNERVISION, 35(2):28-31, 2020.
Medical*Online
9) 藤田広志:AIを用いたコンピュータ支援検出/診断システム(AI-CAD)におけるFDAの規制動向. レギュラトリーサイエンス学会誌, 9(1):37-42, 2019.
 
10) FDA Cleared AI Algorithms. https://www.acrdsi.org/DSI-Services/FDA-Cleared-AI-Algorithms
 
11) 厚生労働省:薬生機審発0523第2号(令和元年5月23日), 次世代医療機器評価指標の公表について. 別紙4:人工知能技術を利用した医用画像診断支援システムに関する評価指標. https://www.mhlw.go.jp/web/t_doc?datald=00tc4315&dataType=1&pageNo=1
 
12) 経済産業省:医用画像診断支援システム(人工知能技術を利用するものを含む)開発ガイドライン2019(手引き). https://www.meti.go.jp/policy/mono_info_ser-vice/healthcare/report_iryou_fukushi.html
 

Chapter 1 押さえておきたいディープラーニングのポイント

P.10 掲載の参考文献
1) McCulloch, W. S., Pitts, W. :A logical calcu-lus of the ideas immanent in nervous activity. Bull. Math. Biophys., 5(4)115-133, 1943.
 
2) マンフレート・シュピッツァーマンフレートシュピッツァー:脳回路網のなかの精神-ニューラルネットが描く地図. 村井俊哉, 山岸 洋訳, 新曜社, 東京, 2001.
 
3) Doizaki, R., Matsuda, T., Utsumi, A., et al. :Constructing a System which Proposes Meta-phors Corresponding to the Onomatopoeia Expressing Medical Conditions. International Journal of Affective Engineering, 15(2), 37-43, 2015.
 
4) 藤田広志:医用画像ディープラーニング入門. オーム社, 東京, 2019.
 
5) 日本眼科学会:人工知能は未来の医療をどう変えるか. http://www.nichigan.or.jp/member/rijikai/12304.jsp
 
6) 人工知能(AI)医療推進小委員会企画 リウマチ学へのAI導入を目指して. 第63回日本リウマチ学会総会・学術集会, 2019. http://www.jcr2019.com/contents/sy.html
 
7) 国立がん研究センター中央病院:がん関連遺伝子を網羅的に調べる遺伝子検査を先進医療で実施:TOP-GEARプロジェクトで構築した検査システムの保険適用を目指し検証開始. 国立がん研究センター, 2018. https://www.ncc.go.jp/jp/information/pr_release/2018/0403_2/index.html
 
P.14 掲載の参考文献
1) Bishop, C. :Pattern Recognition and Machine Learning. Springer-Verlag, New York, 2006.
 
2) LeCun, Y., Bengio, Y., Hinton, G. :Deep learning. Nature, 521, 436-444, 2015.
PubMed
3) ImageNet. http://www.image-net.org/
PubMed
4) Krizhevsky, A., Sutskever, I., Hinton, G. E. :ImageNet classification with deep convolu-tional neural networks. NIPS 2012.
 
5) TORCHVISION. MODELS. Py Touch. https://pytorch.org/docs/stable/torchvision/models.html
 
6) Shimonyan, K., Zisserman, A. :Very deep convolutional networks for large-scale image recognition. ICLR 2015.
 
P.19 掲載の参考文献
1) Zhang, K., Zuo, W., Chen, Y., et al. :Beyond a Gaussian Denoiser:Residual Learning of Deep CNN for Image Denoising. IEEE Trans. Image Process., 26(7), 3142-3455, 2017.
PubMed
Clara Al:https://blogs.nvidia.co.jp/2019/04/02/Clara-ai-gtc/
 
Jetson:https://www.nvidia.com/ja-jp/autonomous-machines/embedded-systems/
 
Neural Network Consle:https://dl.sony.com/ja/
 
Google Colaboratory:https://colab.research.google.com/notebooks/welcome.ipynb?hl=ja
 
Keras:https://keras.io/ja/
 
Chainer:https://tutorials.chainer.org/ja/
 
PyTorch:https://pytorch.org
 
Anaconda:https://www.anaconda.com
 
Orange 3:https://orange.biolab.si
 
MATLAB:https://jp.mathworks.com/products/matlab.html
 
Octave:https://www.gnu.org/software/octave/
 
P.27 掲載の参考文献
1) Lecun, Y., Bottou, L., Bengio, Y. :Gradient-based learning applied to document recogni-tion. Proc. IEEE, 86(11), 2278-2324, 1998.
 
2) 日本放射線技術学会画像部会:miniJSRT_database. http://imgcom.jsrt.or.jp/minijsrtdb/
 
3) Ronneberger, O., Fischer, P., Brox, T. :U-Net:Convolutional Networks for Biomedi-cal Image Segmentation. arXiv:1505. 04597, 2015.
 
4) 医用画像ディープラーニング入門. 藤田広志監修:医療AIとディープラーニングシリーズ, オーム社, 東京, 2019.
 
5) 福岡大輔:標準医用画像のためのディープラーニング入門編. 藤田広志 監修:医療AIとディープラーニングシリーズ, オーム社, 東京, 2019.
 
6) 足立 悠:ソニー開発のNeural Network Console入門【増補改訂・クラウド対応版】. リックテレコム, 東京, 2018.
 
P.33 掲載の参考文献
1) NVIDIA:NVIDIA Deep Learning Institute. https://www.nvidia.com/ja-jp/deep-learning-ai/education/
 
2) NVIDIA:NVIDIA DLI HANDS-ON TRAIN-ING CATALOG. 2020. https://www.nvidia.com/content/dam/en-zz/Solutions/deep-learning/deep-learning-educa-tion/dli-catalog-jan-2020-1220398-r2.pdf
 
3) NVIDIA:NVIDIA DIGITS-Interactive Deep Learning GPU Training System. https://developer.nvidia.com/digits
 
4) NVIDIA:NGC. https://www.nvidia.com/ja-jp/gpu-cloud/
 
5) NVIDIA:Clara. https://developer.nvidia.com/clara
 
P.38 掲載の参考文献
1) Onishi, Y., Teramoto, A., Tsujimoto, M., et al. :Automated pulmonary nodule classification in computed tomography images using a deep convolutional neural network trained by gen-erative adversarial networks. Biomed. Res. Int., 6051939, 2019.
 
2) Wang, Z., Bovik, A. C., Sheikh, H. R., et al. :Image Quality Assessment:From Error Visibil-ity to Structural Similarity. IEEE Trans. Image Process., 13, 600-612, 2004.
 
3) 医用画像ディープラーニング入門. 藤田広志 監修, 編:医療AIとディープラーニングシリーズ, 東京, オーム社, 2019.
 
4) 福岡大輔:標準医用画像のためのディープラーニング入門編. 藤田広志監修:医療AIとディープラーニングシリーズ, オーム社, 東京, 2019.
 
5) 標準医用画像のためのディープラーニング実践編. 藤田広志 監修, 原 武史編:医療AIとディープラーニングシリーズ, オーム社, 東京, 2019.
 
P.42 掲載の参考文献
1) Chinzei, K., Shimizu, A., Mori, K., et al. :Regulatory Science on AI-based Medical Devices and Systems. Advanced Biomedical Engineering, 7, 118-123, 2018.
 
2) IMDRF SaMD Working Group:Software as a Medical Device(SaMD):Key Definitions. IMDRF, 2013. http://www.imdrf.org/docs/imdrf/final/tech-nical/imdrf-tech-131209-samd-key-defini-tions-140901.pdf
 
3) 医療機器開発ガイド. 菊地 眞 監修:じほう, 東京, 2016.
 
4) Proposed Regulatory Framework for Modi-fications to Artificial Intelligence/Machine Learning(AI/ML)-Based Software as a Medi-cal Device(SaMD)-Discussion Paper and Request for Feedback. U. S. FDA. https://www.fda.gov/media/122535/down-load
 
5) 人工知能分野審査WG:平成30年度次世代医療機器・再生医療等製品評価指標作成事業-人工知能分野審査WG報告書. http://dmd.nihs.go.jp/jisedai/Imaging_AI_for_public/H30_AI_report.pdf
 
6) 厚生労働省:次世代医療機器評価指標の公表について. 薬生機審発0523第2号, 2019. https://www.mhlw.go.jp/content/10601000/000515843.pdf
 
P.46 掲載の参考文献
1) He, K., Zhang, X., Ren, S., et al. :Delving Deep into Rectifiers:Surpassing Human-Level Performance on ImageNet Classification. Proc. 2015 IEEE International Conference on Computer Vision(ICCV), 1026-1034, 2015.
 
2) 浜本隆二:AI技術を用いた統合的ながん医療システムの開発と解決すべき問題点. 最新医学, 74, 384-391, 2019.
Medical*Online
3) 新田隆夫:人工知能の研究開発に関する政府の取組. 通信ソサエティマガジン, 45, 6-11, 2018.
 
4) 山田真善, 浜本隆二, 上條憲一, 他:AIによる内視鏡画像からの病変部位の検知技術の開発. 最先端医療機器の病院への普及展望と今後の製品開発. 技術情報協会, 東京, 2018.
 
5) 脇田明尚, 小林和馬, 浜本隆二, 他:深層学習の放射線治療への応用. Isotope News, 758, 12-15, 2018.
 
6) 小林和馬, 浜本隆二:人工知能技術によって変革される放射線医学. ファルマシア, 54, 875-878, 2018.
 
7) Coudray, N., et al. :Classification and muta-tion prediction from non-small cell lung cancer histopathology images using deep learning. Nat. Med., 24, 1559-1567, 2018.
 
8) Esteva, A., et al. :Dermatologist-level clas-sification of skin cancer with deep neural net-works. Nature, 542, 115-118, 2017.
 
9) Long, E., et al. :An artificial intelligence plat-form for the multihospital collaborative man-agement of congenital cataracts. Nat. Biomed. Eng., 1, 1-8, 2017.
 
P.48 掲載の参考文献
1) World Medical Association:WMA DECLA-RATION OF TAIPEI ON ETHICAL CONSID-ERATIONS REGARDING HEALTH DATABAS-ES AND BIOBANKS. 2017. Available:https://www.wma.net/policles-post/wma-declaration-of-taipei-on-ethical-considerations-regarding-health-databases-and-biobanks/
 
2) SITRA:IHAN-Proof of Concept Pilots. 2018. https://www.sitra.fi/en/projects/ihan-proof-concept-pilots/
 
P.51 掲載の参考文献
1) De Fauw, J., Ledsam, J. R., Romera-Paredes, B., et al. :Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat. Med., 24, 1342-1350, 2018.
PubMed
2) Fujisawa, Y., Otomo, Y., Ogata, Y., et al. :Deep-learning-based, computer-aided classi-fier developed with a small dataset of clinical images surpasses board-certified dermatolo-gists in skin tumor diagnosis. Br. J. Dermatol., 180, 373-381, 2018.
 
3) 病理学会:AMED研究事業「自立性・持続性を持った病理診断支援システムを構築するための地域実証実験モデル」による成果報告. 2019. http://p-wsi.jp/press_release/プレスリリース/.
 
4) Phan, S., Satoh, S., Yoda, Y., et al. :Evalu-ation of deep convolutional neural networks for glaucoma detection. Jpn. J. Ophthalmol., 63(3), 276-283, 2019.
 
P.54 掲載の参考文献
1) Smith, M. et al. :Best Care at Lower Cost:The Path to Continuously Learning Health Care in America. https://www.ncbi.nlm.nih.gov/pubmed/24901184
 
2) Imaging Value Chain. American College of Radiology. https://www.acr.org/Practice-Management-Quality-Informatics/Imaging-3/Imaging-Value-Chain
 
3) Abutaleb, Y. :$16.7 million award in cancer lawsuit. The Boston Globe, 2014. https://www.bostonglobe.com/metro/2014/06/29/overlooked-lung-cancer-results-million-verdict-against-radiologist/rbFZ4e94nleH57r46ixVSL/story.html
 
4) Huber, T. C., et al. :Impact of a Commercially Available Clinical Decision Support Program on Provider Ordering Habits. J. Am. Coll. Radiol., 15, 951-957, 2018.
PubMed
5) Boland, G. W., et al. :Imaging Appropriate-ness and Implementation of Clinical Decision Support. J. Am. Coll. Radiol., 12, 601-603, 2015.
 
6) Boland, G. W., et al. :Protocol Design and Optimization. http://www.massgeneralimaging.org/rcg/wp-content/uploads/2015/11/Protocol-Design-and-Optimization.pdf
 
7) Learning to see:New artificial intelligence technique dramatically improves the quality of medical imaging. Massachusetts General Hos-pital, 2018. https://www.massgeneral.org/News/pressrelease.aspx?id=2229
 
8) Murphy, D. R., et al. :Communication break-downs and diagnostic errors:A radiology per-spective. Diagnosis(Berl), 4, 253-261, 2014.
 
9) O'Connor, M. :What causes variation in follow-up imaging recommendations among radiologists? Healthlmaging, 2019. https://www.healthimaging.com/topics/imaging-informatics/variation-follow-imaging-recommendations-radiologists
 
10) Boland, G. W., et al. :Decision Support for Radiologist Report Recommendations. J. Am. Coll. Radiol., 8, 819-823, 2011.
PubMed
11) Alkasab, T. K., et al. :A Case Tracking Sys-tem with Electronic Medical Record Integra-tion to Automate Outcome Tracking for Radi-ologists. J. Digit. Imaging, 23(6), 658-665, 2010.
 
12) Using Business Analytics in Radioiogy Operations. IMAGING TECHNOLOGY NEWS, 2015. https://www.itnonline.com/article/using-business-analytics-radiology-operations
 
P.59 掲載の参考文献
1) 中国総合研究・さくらサイエンスセンター:中国における人工知能研究開発の現状と動向. 科学技術振興機構, 東京, 2018.
 
2) 大谷イビサ:2020年は40ZB!デジタル・ユニバースの未来とは?ASCII. jp, 2013. https://ascii.jp/elem/000/000/759/7594621
 
3) Xiao, E. :Baidu(百度)のディープラーニングフレームワーク「PaddlePaddle」は, 人工知能開発競争で中国にどのように貢献するか. Tech in Asia, 2017. https://thebridge.jp/2017/03/baidus-deep-learning-framework-give-china-leg-ai-race.
 
4) Novet, J. :Alibaba's Aliyun cloud launches DT PAI, an artificial intelligence service. VB, 2015. https://venturebeat.com/2015/08/24/alibabas-aliyun-cloud-launches-dt-pai-an-artificial-intelligence-service/
 
5) Das, R. :China And Israel Are Ready To Bat-tle:Who Leads the Medical Imaging Artificial Intelligence Market? Forbes, 2018. https://www.forbes.com/sites/reenitadas/2018/06/26/china-and-israel-are-ready-to-battle-who-leads-the-medical_imaging-artificial-intelligence-market/#ce9ef4259fc3
 
6) Liao, R. :中国Infervision, 画像によるがん検知サービスを280の病院に提供. TechCrunch Japan, 2018. https://jp.techcrunch.com/2018/12/02/2018-11-30-infervision-medical-imaging-280-hospitals/
 
7) 「匯医慧影」はAI医療の勝ち組か? 36Kr Japan, 2018. https://36kr.jp/15134/
 
8) Gibson, E., et al. :NiftyNet:A deep-learning platform for medical imaging. Comput. Meth-ods Programs Biomed., 158, 113-122, 2018.
 
9) HuiyiHuiying:Smart Digital File with AI. LISIT, 2018. https://mp.weixin.qq.com/s/d-kYNHA1wM4GbKRMEh8Fug
 
P.62 掲載の参考文献
1) 電子政府の総合窓口(e-Gov)https://elaws.e-gov.go.jp/search/elawsSearch/elaws_search/lsg0100/
 

Chapter 2 論文から見るディープラーニンク研究最前線

P.67 掲載の参考文献
1) LoSasso, T., Chui, C. S., Ling, C. C. :Com-prehensive quality assurance for the delivery of intensity modulated radiotherapy with a multileaf collimator used in the dynamic mode. Med. Phys., 28, 2209-2219, 2001.
 
2) Kurosu, K., Sumida, I., Mizuno, H., et al. :Curtailing patient-specific IMRT QA proce-dures from 2D dose error distribution. J. Radiat. Res., 57, 258-264, 2015.
 
3) Valdes, G., Scheuermann. R., Hung, C. Y., et al. :A mathematical framework for virtual IMRT QA using machine learning. Med. Phys., 43, 4323-4334, 2016.
PubMed
P.71 掲載の参考文献
1) Chartrand, G., Cheng P. M., Vorontsov, E., et al. :Deep Learning; A Primer for Radiologists. Radiographics, 37(7), 2113-2131, 2017.
PubMed
2) Yasaka, K., Akai, H., Kunimatsu, A., et al. :Deep learning with convolutional neural net-work in radiology. Jpn. J. Radiol., 36(4), 257-272, 2018.
 
3) Yasaka, K., Abe, O. :Deep learning and arti-ficial intelligence in radiology; Current appli-cations and future directions. PLoS Medicine, 15(11), e1002707, 2018.
 
4) Yasaka, K., Akai, H., Abe, O., et al. :Deep Learning with Convolutional Neural Network for Differentiation of Liver Masses at Dynamic Contrast-enhanced CT; A Preliminary Study. Radiology, 286(3), 887-896, 2018.
PubMed
5) Yasaka K, Akai, H., Kunimatsu, A., et al. :Liver Fibrosis; Deep Convolutional Neural Network for Staging by Using Gadoxetic Acid-enhanced Hepatobiliary Phase MR Images. Radiology, 287(1), 146-155, 2018.
PubMed
6) Ichida, F., Tsuji, T., Omata, M., et al. :New Inuyama classification; New criteria for histo-logical assessment of chronic hepatitis. Inter-national Hepatology Communications, 6(2), 112-119, 1996.
 
7) Selvaraju, R. R., Cogswell, M., Das, A., et al. :Grad-CAM; Visual explanations from deep networks via gradient-based localization. https://arxivorg/abs/161002391,2016.
 
8) Frid-Adar, M., Diamant, I., Klang, E., et al. :GAN-based Synthetic Medical Image Aug-mentation for increased CNN Performance in Liver Lesion Classification. Cornell University Library. https://arxiv.org/pdf/1803.01229.pdf,2018.
 
P.75 掲載の参考文献
1) Nishio, M., Sugiyama, O., Yakami M., et al. :Computer-aided diagnosis of lung nodule clas-sification between benign nodule, primary lung cancer, and metastatic lung cancer at different image size using deep convolutional neural network with transfer learning. PLoS ONE, 13(7), 2018. :e0200721.
 
2) 西尾瑞穂:ディープラーニングとCT画像データベースによるCADシステムの開発. INNERVISION, 32(7), 46-48, 2017.
 
3) 青山岳人, 久保 武, 坂本 亮, 他:構造化した画像所見と臨床情報を統合した肺結節CT画像データベースの構築. Medical Imaging Tech-nology, 34, 267-278, 2016.
 
4) Kawagishi, M., Chen, B., Furukawa, D., et al. :A study of computer-aided diagnosis for pul-monary nodule:comparison between clas-sification accuracies using calculated image features and imaging findings annotated by radiologists. Int. J. Comput. Assist. Radiol. Surg., 12(5), 767-776, 2017.
 
5) Ojala, T., Pietikainen, M., Harwood, D. :A comparative study of texture measures with classification based on feature distributions. Pattern Recognition, 29, 51-59, 1996.
 
6) Ojala, T., Pietikainen, M., Maenpaa, T. :Multiresolution gray-scale and rotation invari-ant texture classification with local binary pat-terns. IEEE Trans Pattern Anal Mach Intell., 24, 971-987, 2002.
 
7) Zhao, G., Pietikainen, M. :Dynamic texture recognition using local binary patterns with an application to facial expressions. IEEE Trans Pattern Anal Mach Intell., 29(6), 915-928, 2007.
PubMed
8) Nishio, M., Nishizawa, M., Sugiyama, O., et al. :Computer-aided diagnosis of lung nodule using gradient tree boosting and Bayesian optimization. PLoS ONE, 13(4), 2018:e0195875
PubMed
9) Simonyan, K., Zisserman, A. :Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv Prepr., 1-10, 2014.
 
10) Russakovsky, O., Deng, J., Su, H., et al. :ImageNet Large Scale Visual Recognition Challenge. Int. J. Comput. Vis., 115(3), 211-252, 2015.
 
11) Armato, S. G. 3rd, McLennan, G., Bidaut, L., et al. :The Lung Image Database Consortium(LIDC)and Image Database Resource Initia-tive(IDRI):a completed reference database of lung nodules on CT scans. Med. Phys., 38(2), 915-931, 2011.
 
12) Armato, S. G. 3rd., Hadjiiski, L, Tourassi, G. D., et al. :LUNGx Challenge for computer-ized lung nodule classification:reflections and lessons learned. J. Med. imaging, 2(2), 2015:020103.
 
13) Armato, S. G. 3rd., Drukker, K., Li, F., et al. :LUNGx Challenge for computerized lung nodule classification. J. Med. Imaging, 3(4), 2016:044506.
 
P.79 掲載の参考文献
1) Zhou, X., Takayama, R., Wang, S., et al. :Deep learning of the sectional appearances of 3D CT images for anatomical structure seg-mentation based on an FCN voting method. Medical Physics, 44(10), 5221-5233, 2017.
 
2) Zhou, X., Takayama, R., Wang, S., et al. :Automated segmentation of 3D anatomical structures on CT images by using a deep con-volutional network based on end-to-end learn-ing approach. Proc. SPIE Medical Imaging 2017:Image processing, 1013324, 2017.
 
3) Zhou, X., Ito, T., Takayama, R., et al. :First trial and evaluation of anatomical structure segmentations in 3D CT images based only on deep learning. Medical Image and Informa-tion Sciences, 33(3), 69-74, 2016.
 
4) Zhou, X., Ito, T., Takayama, R., et al. :Three-dimensional CT image segmentation by com-bining 2D fully convolutional network with 3D majority voting. Proc. 2nd Workshop on Deep Learning in Medical Image Analysis, MICCAI 2016, 107-116, 2016.
 
5) Long, J., Shelhamer, E., Darrell, T. :Fully convolutional networks for semantic segmen-tation. Proc. of the IEEE International Con-ference on Computer Vusion(CVPR2015), 3431-3440, 2015.
 
6) Simonyan, K., Zisserman, A. :Very deep convolutional networks for large-scale image recognition. arXiv:1409. 1556, 2015.
 
7) Watanabe, H., Shimizu, A., Ueno, S., et al. :Semi-automated organ segmentation using 3-dimensional medical imagery through sparse representation. Trans. of Jap. Society for Med. and Bio. Eng., 51(5), 300-312 2013.
 
8) http://www.comp-anatomy.org/wiki/
 
9) Zhou, X., Yamada, K., Kojima, T., et al. :Performance evaluation of 2D and 3D deep learning approaches for automatic segmenta-tion of multiple organs on CT images. Proc. of the SPIE Medical Imaging 2018:Computer-aided diagnosis, 105752C, 2018.
 
P.83 掲載の参考文献
1) 永井知雄, 林 克己, 田畑博嗣:冠動脈CTの現状と将来. 日本冠疾患学会雑誌, 20(2), 137-147, 2014.
 
2) 元山貞子:MSCTによる冠動脈評価. Circu-lation, 4(1), 4-11, 2014.
 
3) Schroeder, S., Achenbach, S., Bengel, F., et al. :Cardiac computed tomography:indi-cations, applications, limitations, and train-ing requirements:report of a writing group deployed by the working group nuclear cardiol-ogy and cardiac CT of the European Society of Cardiology and the European Council of Nuclear Cardiology. Eur. Heart J., 29(4), 531-556, 2008.
 
4) 高岡浩之, 佐野剛一, 石橋 巌, 他:冠動脈CTにおける心臓CTの現状と今後の展望. 日本冠疾患学会雑誌, 23(1), 55-61, 2017.
 
5) 上村宗弘, 中川 尭, 脇屋桃子, 他:64列冠動脈CTによる有意狭窄病変診断における石灰化スコアの影響. 心臓, 44(6), 683-688, 2012.
Medical*Online
6) 藤田広志:医用画像のためのコンピュータ支援診断システムの開発の現状と将来. 日本写真学会誌, 66(5), 484-490, 2003
 
7) LeCun, Y., Haffner, P., Bottou, L., et al. :Object recognition with gradient-based learn-ing. Shape, Contour and Grouping in Com-puter Vision. 319-345, 1999.
 
8) Krizhevsky, A., Sutskever, I., Hinton, E. G. :ImageNet classification with deep convolu-tional neural networks. NlPS'12 Proceedings of the 25th International Conference on Neu-ral Information Processing Systems, 1, 1097-1105, 2012.
 
9) Szegedy, C., Liu, W., Jia, Y., et al. :Going deeper with convolutions. Proc IEEE conf comput vis and pattern recognit, 1-9, 2015.
 
10) 藤田一弥, 高原 歩:実装ディープラーニング. オーム社, 東京, 2016.
 
P.87 掲載の参考文献
1) Teramoto, A., Fujita, H., Yamamuro, O., et al. :Automated detection of pulmonary nodulesin PET/CT images:Ensemble false-positive reduction using a convolutional neural network technique. Med. Phys., 43(6), 2821-2827, 2016.
 
2) Teramoto, A., Tsukamoto, T., Kiriyama, Y., et al. :Automated classification of lung cancer types from cytological images using deep con-volutional neural networks. BioMed Research International, Vol. 2017, Article ID 4067832, 1-6, 2017.
 
3) Yasaka, K., Abe, O. :Deep learning and artifi-cial intelligence in radiology:Current applica-tions and future directions. PLoS Medicine, 15(11), e1002707, 2018.
 
4) Goodfellow, I., Pouget-Abadie, J., Mirza, M., et al. :Generative adversarial nets. Proceedings of the 28th Annual Conference on Neural Informa-tion Processing Systems(NIPS), 2672-2680, 2014.
 
5) Arjovsky, M., Chintala, S., Bottou, L. :Wasserstein GAN. https://arxiv.org/abs/1701.07875
 
6) Karras, T., Aila, T., Laine, A., et al. :Progres-sive Growing of GANs for Improved Quality, Stability, And Variation. Published as a confer-ence paper at ICLR, 2018.
 
P.91 掲載の参考文献
1) van Gijn, J., Kerr, R. S. C., Rinkel, G. J. E. :Subarachnoid haemorrhage. Lancet, 369(9558), 306-318, 2007.
 
2) UCAS Japan Investigators:The Natural Course of Unruptured Cerebral Aneurysms in a Japanese Cohort. N. Engl. J. Med., 366(26), 2474-2482, 2012.
 
3) Lin, T. Y., Goyal, P., Girshick, et al. :Focal Loss for Dense Object Detection. IEEE Trans Pattern Anal. Mach. Intel., 42(2), 318-327, 2020.
 
4) Hayashi, N., Masutani, Y., Masumoto, T., et al. :Feasibility of a Curvature-based En-hanced Display System for Detecting Cerebral Aneurysms in MR Anglography. Magn. Reson. Med. Sci., 2(1), 29-36, 2003.
 
5) He, K., Zhang, X., Ren, S., et al. :Deep Residual Learning for Image Recognition. In:Proceedings of the IEEE Conference on Com-puter Vision and Pattern Recognition, 770-778, 2016.
 
P.95 掲載の参考文献
1) Akai, H., Kiryu, S., Matsuda, I., et al. :Detec-tion of hepatocellular carcinoma by Gd-EOB-DTPA-enhanced liver MRI:Comparison with triple phase 64 detector row helical CT. Eur. J. Radiol., 80(2):310-315, 2012.
 
2) Takenaga, T., Hanaoka, S., Nemoto, M., et al. :Segmentation of liver region in Gd-EOB enhanced magnetic resonance images. In:Proc. IFMIA 2017 the Int Forum Medical Imaging in Asia, Okinawa, 19-20, 2017.
 
3) Drozdzal, M., Chartrand, G., Vorontsov, E., et al. :Learning normalized inputs for iterative estimation in medical image segmentation. Med. Image Anal., 44:1-13, 2018.
PubMed
4) Isensee, F., Jaeger, P. F., Full, P. M., et al. :Automatic cardiac disease assessment on cine-mri via time-series segmentation and domain specific features. in International Workshop on Statistical Atlases and Computa-tional Models of the Heart. 120-129, 2017.
 
5) Glocker, B., Sotiras, A., Komodakis, N., et al. :Deformable medical image registration:Setting the state of the art with discrete meth-ods. Annu. Rev. Biomed. Eng., 13:219-244, 2011.
 
6) Milletari, F., Navab, N., Ahmadi, S. A. :V-net:Fully convolutional neural networks for volu-metric medical image segmentation. In 2016 Fourth International Conference on 3D Vision(3DV), 565-571, 2016.
 
7) Ronneberger, O., Fischer, P., Brox, T. :U-net:Convolutional networks for biomedical image segmentation. In International Conference on Medical Image Computing and Computer-Assisted Intervention, 234-241, 2015.
 
P.99 掲載の参考文献
1) Russakovsky, O., Deng, J., Su, H., et al. :ImageNet Large Scale Visual Recognition Challenge. arXiv, 1409. 0575, 2014.
 
2) Ulyanov, D., Vedaldi, A., Lempitsky, V. :Deep image prior. Proc. IEEE CVPR, 9446-9454, 2018. doi:10. 1109/CVPR. 2018. 00984
 
3) Lehtinen, J., Munkberg, J., Hasselgren, J., et al. :Noise2Noise:Learning Image Restora-tion without Clean Data. arXiv, 1803. 04189, 2018.
 
4) Cicek, O., Abdulkadir, A., Lienkamp, S. S., et al. :3D U-Net:Learning Dense Volumet-ric Segmentation from Sparse Annotation. Proceedings of the International Conference on Medical Image Computing and Computer-Assisted Intervation, 9901, 424-432, 2016.
 
5) Hashimoto, F., Ohba, H., Ote, K., et al. :Denoising of Dynamic Sinogram by Image Guided Filtering for Positron Emission Tomog-raphy. IEEE Trans. Radiat. Plasma. Med. Sci., 2, 541-548, 2018.
 
6) Cruz-Jentoft, A. J., Baeyens, J. P., Bauer, J. M., et al. :Sarcopenia:European consensus on definition and diagnosis:Report of the Euro-pean Working Group on Sarcopenia in Older People. Age Ageing, 39, 412-423, 2010.
 
7) https://riverbankcomputing.com/software/pyqt/
 
8) https://github.com
 
9) Mataev, G., Michael, E., Peyman, M. :DeepRED:Deep Image Prior Powered by RED. arXiv, 1903. 10176, 2019.
 
10) Yang, Q., Yan, P., Zhang, Y., et al. :Low-dose CT Image Denoising Using a Generative Adversarial Network with Wasserstein Dis-tance and Perceptual Loss, IEEE Trans. Med. Imaging, 37, 1348-1357, 2018.
 
11) https://www.itmedia.co.jp/news/arti-cles/1809/18/news011.html
 
P.102 掲載の参考文献
1) Zauber, A. G., Winawer, S. J., O'Brien, M. J, et al. :Colonoscopic Polypectomy and Long-Term Prevention of Colorectal-Cancer Deaths. N. Engl. J. Med., 366:687-696, 2012.
PubMed
2) Nishihara, R., Wu, K., Lochhead, P., et al. :Long-Term Colorectal-Cancer Incidence and Mortality after Lower Endoscopy. N. Engl. J. Med., 369:1095-1105, 2013.
PubMed
3) Corley, D. A, Jensen, C. D., Marks, A. R., et al. :Adenoma Detection Rate and Risk of Colorectal Cancer and Death. N. Engl. J. Med., 370:1298-1306, 2014.
PubMed
4) van Rijn, J. C., Reitsma, J. B., Stoker, J., et al. :Polyp miss rate determined by tandem colonoscopy:a systematic review. Am. J. Gastroenterol., 101:343-350, 2006.
PubMed
5) Kudo, S., Tamure, S., Nakajima, T., et al. :Depressed type of colorectal cancer. Endoscopy, 27:54-57, 1995. ;discussion 61.
PubMed
6) Kudo, S., Lambert, R., Allen, J. I., et al. :Nonpolypoid neoplastic lesions of the colorectal mucosa. Gastrointest. Endoscopy, 68:S3-47, 2008.
PubMed
7) Karkanis, S. A., lakovidis, D. K., Karras, D., et al. :Detection of Lesions in Endoscopic Video Using Textural Descriptors on Wavelet Domain Supported by Artificial Neural Network Architectures, In:lmage Processing, 2001. Proceedings. 2001 International Conference on, IEEE, 2001.
 
8) Karkanis, S. A., lakovidis, D. K., Maroulis, D. E., et al. :Computer-Aided Tumor Detection in Endoscopic Video Using Color Wavelet Features. IEEE Transactions on Information Technology in Biomedicine. 7:141-152, 2003.
 
9) Tran, D., Bourdev, L., Fergus, R., et al. :Learning Spatiotemporal Features with 3d Convolutional Networks. The IEEE International Conference on Computer Vision, 4489-4497, 2015.
 
P.106 掲載の参考文献
1) Shin, Hoo-Chang, et al. :Deep convolutional neural networks for computer-aided detection:CNN architectures, dataset characteristics and transfer learning. IEEE transactions on medical imaging, 35(5), 1285-1298, 2016.
PubMed
2) http://www.cs.columbia.edu/CAVE/soft-ware/curet/
 
3) Mahendran, A., Vedaldi, A. :Salient Deconvo-lutional Networks. Computer Vision-ECCV 2016, 120-135, 2016.
 
4) 野里博和, 河内祐太, 村川正宏, 他:優秀賞胃内視鏡画像を活用した段階的転移学習による膀胱内視鏡診断支援. 第一回日本メディカルAI学会学術集会, 2019.
 
5) 河内祐太, 野里博和, 村川正宏, 坂無英徳:深層畳み込みニューラルネットを用いた内視鏡画像診断支援における混合ドメイン学習. 情報処理学会コンピュータビジョンとイメージメディア研究会, 信学技報, 119(193), 135-138, 2019.
 
P.110 掲載の参考文献
1) Hiasa, Y., Otake, Y., Sato, Y., et al. :Auto-mated Muscle Segmentation from Clinical CT using Bayesian U-Net for Personalized Muscu-loskeletal Modeling. IEEE Trans. Med. Imag-ing, 2019. DOI:10. 1109/TMI. 2019. 2940555
 
2) Cheze, L., Moissenet, F., Dumas, R. :State of the art and current limits of musculo-skele-tal models for clinical applications. Mov. Sport Sci/Sci. Mot., (90):7-17, 2015.
 
3) Webb, J. D., Blemker, S. S., Delp. S. L. :3D finite element models of shoulder muscles for computing lines of actions and moment arms. Comp. Meth. Biomech. Biomed. Eng., 17(8):829-837, 2014.
 
4) Yokota, F., Otake, Y., Sato, Y., et al. :Auto-mated muscle segmentation from CT images of the hip and thigh using a hierarchical multi-atlas method. Int. J. Comput. Assist. Radiol. Surg., 13(7):977-986, 2018.
 
5) Karlsson, A., Rosander, J., Romu, T., et al. :Automatic and quantitative assessment of regional muscle volume by multi-atlas segmen-tation using whole-body water-fat MRI. J. Mag. Res. Imaging, 41(6):1558-1569, 2015.
 
6) Lee, H., Troschel, F. M., Tajmir, S., et al. :Pixel-Level Deep Segmentation:Artificial Intelligence Quantifies Muscle on Computed Tomography for Body Morphometric Analysis. J. Digit. Imaging, 30(4):487-498, 2017.
PubMed
7) Selvaraju, R. R., Cogswell, M., Das, A., et al. :Grad-CAM:Visual Explanations From Deep Networks via Gradient-Based Localization. Proc. IEEE Int. Conf. Comput. Vis., 618-626, 2017.
 
8) Gal, Y., Ghahramani, Z. :Dropout as a Bayesian Approximation:Representing Model Uncertainty in Deep Learning. In Proc. ICML, 1050-1059, 2016.
 
9) Kendall, A., Gal, Y. :What Uncertainties Do We Need in Bayesian Deep Learning for Com-puter Vision? Proc. NIPS, 5574-5584, 2017.
 
10) Olaf, R., Fischer, P., Brox, T. :U-net:Con-volutional networks for biomedical image seg-mentation. International Conference on Medi-cal image computing and computer-assisted intervention, 2015.
 
11) Srivastava, N., Hinton, G., Krizhevsky, A., et al. :Dropout:A Simple Way to Prevent Neural Networks from Overfitting. JMLR, 15(1):1929-1958, 2014.
 
12) Ogawa, T., Takao, M., Otake, Y., et al. :Validation study of the CT-based cross-sec-tional evaluation of muscular atrophy and fatty degeneration around the pelvis and the femur. J. Orthop. Sci., 25(1), 139-144, 2019.
 
13) Vallieres, M., Freeman, C. R., Skamene, S. R., et al. :A Radiomics Model from Joint FDG-PET and MRI texture features for the prediction of lung metastases in soft-tissue sarcomas of the extremities. Phys. Med. Biol., 60(14):5471, 2015.
PubMed
14) Hiasa, Y., Otake, Y., Takao, M., et al. :Cross-modality image synthesis from unpaired data using CycleGAN. Proc. Int. Workshop SASHIMI, 31-41, 2018.
 
P.114 掲載の参考文献
1) Sun, J., Li, B., Li, C. J., et al. :Computed tomography versus magnetic resonance imag-ing for diagnosing cervical lymph node metas-tasis of head and neck cancer:A systematic review and meta-analysis. Onco. Targets. Ther., 8:1291-1313, 2015.
 
2) Wang, H., Zhou, Z., Li, Y., et al. :Comparison of machine learning methods for classifying mediastinal lymph node metastasis of non-small cell lung cancer from 18F-FDG PET/CT images. EJNMMI Res., 7(1):11, 2017.
 
3) Ribeiro, A., Keat, R., Khalid, S., et al. :Preva-lence of calcifications in soft tissues visible on a dental pantomogram:A retrospective analysis. J. Stomatol. Oral Maxillofac. Surg., 119(5):369-374, 2018.
 

書評

最近チェックした商品履歴

Loading...