コンピュータ支援診断
コンピュータ支援診断
コンピュータソフトウェアによる骨年齢の自動計算機能を備えた手のX線写真
目的画像のコンピュータ支援診断

コンピュータ支援検出（CADe）は、コンピュータ支援診断（CADx ）とも呼ばれ、医師による医用画像の解釈を支援するシステムです。X線、MRI、内視鏡検査、超音波診断などの画像診断技術は、放射線科医などの医療専門家が短時間で総合的に分析・評価しなければならない膨大な情報をもたらします。CADシステムは、デジタル画像や動画を処理し、典型的な外観を捉え、疾患の疑いのある箇所など、目立つ部分を強調表示することで、医師の判断を支援する情報を提供します。

CADは、全スライドイメージングと機械学習アルゴリズムの登場により、デジタル病理学分野への将来的な応用も期待されています。これまでのところ、その応用は免疫染色の定量化に限られていますが、標準的なH&E染色への応用も検討されています。[ 1 ]

CADは、人工知能とコンピュータービジョンの要素を放射線・病理画像処理と組み合わせた学際的な技術です。典型的な応用分野は腫瘍の検出です。例えば、一部の病院では、マンモグラフィー（乳がん診断）、大腸内視鏡検査におけるポリープの検出、肺がんの予防検診にCADを活用しています。

コンピュータ支援検出 (CADe) システムは通常、目立つ構造や断面をマークすることに限定されています。コンピュータ支援診断 (CADx) システムは目立つ構造を評価します。たとえば、マンモグラフィーでは、CAD は軟部組織の微小石灰化クラスターと高密度構造を強調表示します。これにより、放射線科医は病理の状態について結論を導き出すことができます。もう 1 つのアプリケーションは CADq で、これは腫瘍のサイズや造影剤の取り込みにおける腫瘍の挙動などを定量化します。コンピュータ支援簡易トリアージ (CAST)は別のタイプの CAD で、完全に自動で初期解釈を実行し、検査結果を意味のあるカテゴリ (たとえば、陰性と陽性) にトリアージします。CAST は、生命を脅かす重篤な状態の迅速な診断が必要な緊急診断画像に特に適しています。

CADは40年以上臨床現場で使用されていますが、CADは通常、医師やその他の専門家の代わりを務めるのではなく、サポート役として機能します。専門家（通常は放射線科医）は、一般的に医用画像の最終的な解釈を担当します。[ 2 ]しかし、一部のCADシステムの目的は、糖尿病網膜症、マンモグラフィーにおける構造の歪み、[ 3 ] [ 4 ]胸部CTにおけるすりガラス結節、[ 5 ] [ 6 ] CTコロノグラフィーにおける非ポリープ状（「平坦」）病変など、人間の専門家では検出できない患者の異常の最も初期の兆候を検出することです。[ 7 ]

歴史

1950年代後半、近代的なコンピュータの黎明期に、様々な分野の研究者がコンピュータ支援医療診断（CAD）システムの構築の可能性を模索し始めました。[ 8 ]これらの最初のCADシステムは、フローチャート、統計パターンマッチング、確率論、知識ベースなどを用いて意思決定プロセスを駆動していました。[ 9 ]

1970年代初頭、医療分野における初期のCADシステム（医学では「エキスパートシステム」と呼ばれることが多い）が開発され、主に教育目的で使用されていました。例としては、 MYCINエキスパートシステム[ 10 ] 、 Internist -Iエキスパートシステム[ 11 ]、CADUCEUSエキスパートシステム[ 12 ] などがあります。自動診断システムとしての診断ロボットは、知識ベースサブシステムを使用して医療診断のためのデータを収集することができ、腱で駆動する擬人化された指や、触覚を知覚するための皮膚のようなセンサーなどのツールが考案されました。[ 13 ] [ 14 ]

研究者たちは当初、コンピュータの能力について非現実的な楽観主義を抱き、完全に自動化されたCAD / エキスパートシステムの構築を目指していました。しかし、リチャード・M・カープによる画期的な論文「組合せ問題における縮約可能性」 [ 15 ]の後、重要な計算問題群を解決するためのアルゴリズム開発には、潜在的な可能性だけでなく限界もあることが明らかになりました。[ 9 ] カープが1970年代初頭に発見した様々なアルゴリズムの限界に対する新たな理解を受けて、研究者たちは医療におけるCADとエキスパートシステムの深刻な限界に気づき始め、[ 9 ]高度なアプローチを用いた新しい種類のCADシステムの開発へと進みました。こうして、1980年代後半から1990年代初頭にかけて、より高度で柔軟なCADシステムを活用するためのデータマイニング手法の活用に焦点が移りました。1998年には、マンモグラフィー用の最初の商用CADシステムであるImageCheckerシステムが米国食品医薬品局（FDA）の承認を受けました。その後数年間で、マンモグラフィー、乳房MRI、肺、大腸、心臓の医療画像を解析するためのいくつかの市販CADシステムもFDAの承認を取得しました。CADシステムは医師の診断および医療意思決定の補助として使用されるようになりました。[ 16 ]

2013年2月、IBMは、Watsonソフ​​トウェアシステムの最初の商用アプリケーションとして、WellPoint（現Anthem ）と共同で、メモリアル・スローン・ケタリングがんセンターにおける肺がん治療における利用管理の意思決定を支援することを発表しました。2013年、IBM Watsonのビジネス責任者であるマノジ・サクセナ氏は、Watsonを使用した現場の看護師の90%がWatsonのガイダンスに従ったと述べています。[ 17 ] [ 18 ]

方法論

CADは基本的に高度に複雑なパターン認識に基づいています。X線画像やその他の画像をスキャンし、疑わしい構造を探します。アルゴリズムを最適化するには通常、数千枚の画像が必要です。デジタル画像データはDICOM形式でCADサーバーにコピーされ、複数のステップで準備・分析されます。

1. 前処理

  • アーティファクト（画像内のバグ）の削減
  • 画像ノイズ低減
  • 異なる露出パラメータなど、画像の異なる基本条件をクリアするために、画質を平準化（調和）します（コントラストの向上）。
  • フィルタリング

2.セグメンテーション​

  • 画像内のさまざまな構造の区別（例：心臓、肺、胸郭、血管、円形病変の可能性）
  • 解剖学的データバンクとのマッチング
  • 関心領域内のサンプルグレー値[ 19 ]

3. 構造/ROI（関心領域）分析 検出された領域ごとに、特別な特性について個別に分析されます。

  • コンパクトさ
  • 形状、サイズ、位置
  • 近くの構造物/ROIへの参照
  • ROI内の平均グレーレベル値の分析
  • ROI内の構造の境界に対するグレーレベルの比率

4. 評価/分類 構造 解析後、各ROIについてTPの確率を個別に評価（スコアリング）します。以下の手順は分類アルゴリズムの例です。

検出された構造が一定の閾値に達すると、画像上で強調表示され、放射線科医に提示されます。CADシステムに応じて、これらのマーキングは永続的に保存することも、一時的に保存することもできます。後者の利点は、放射線科医が承認したマーキングのみが保存されることです。誤ったヒットは保存しないでください。後日の検査が困難になるためです。

プロバイダーメトリックとの関係

感度と特異度

CAD システムは、疑わしい構造を強調表示しようとします。今日の CAD システムでは、病理学的変化を 100% 検出することはできません。ヒット率 (感度) は、システムとアプリケーションによって最大 90% になります。[ 28 ]正しいヒットは真陽性 (TP) と呼ばれ、健康な部分を誤ってマークした場合は偽陽性 (FP) となります。示される FP が少ないほど、特異度が高くなります。特異度が低いと、ユーザーがこれらすべての誤ったヒットを識別する必要があるため、CAD システムの受け入れが低下します。肺の概要検査 (CAD Chest) の FP 率は、検査ごとに 2 まで減らすことができます。他のセグメント (CT 肺検査など) では、FP率は 25 以上になる可能性があります。CAST システムでは、意味のある検査トリアージを行うために、FP 率は検査ごとに 1 未満に非常に低くする必要があります。

絶対検出率

放射線科医の絶対検出率は、感度と特異度に代わる指標です。一般的に、感度、特異度、そして絶対検出率に関する臨床試験の結果は大きく異なる場合があります。各研究結果はその基本条件に依存しており、それらの条件に基づいて評価する必要があります。以下の事実が大きな影響を与えます。

  • 遡及的または将来的な設計
  • 使用された画像の品質
  • X線検査の状態
  • 放射線科医の経験と教育
  • 病変の種類
  • 検討対象となる病変の大きさ

課題

コンピュータの黎明期からCADは多くの進歩を遂げてきましたが、今日のCADシステムが直面している課題はまだいくつかあります。[ 29 ]

いくつかの課題は、CADシステムの入力データの収集、前処理、処理、システム評価といった手順における様々なアルゴリズム上の限界に関連しています。アルゴリズムは一般的に、単一の可能性の高い診断を選択するように設計されているため、複数の併存疾患を持つ患者に対しては、最適な結果が得られません。[ 30 ]現在、CADの入力データは主に電子医療記録（EHR）から取得されています。EHRの効果的な設計、実装、分析は、あらゆるCADシステムにとって不可欠です。[ 29 ]

膨大なデータ量とそれらの分析の必要性から、ビッグデータは今日のCADシステムが直面する最大の課題の一つとなっています。患者データの量の増加は深刻な問題です。患者データは複雑であることが多く、半構造化データや非構造化データである場合があります。これらのデータを適切な時間内に保存、検索、分析するには、高度なアプローチが必要です。[ 29 ]

前処理段階では、入力データを正規化する必要があります。入力データの正規化には、ノイズ除去とフィルタリングが含まれます。

処理は、用途に応じていくつかのサブステップで構成される場合があります。医用画像処理における基本的な3つのサブステップは、セグメンテーション、特徴抽出／選択、分類です。これらのサブステップでは、入力データをより少ない計算時間で分析するための高度な技術が必要です。CADシステムのこれらの手順のための革新的な技術の開発には多くの努力が費やされてきましたが、個々のステップに最適な単一のアルゴリズムは未だ見つかっていません。CADシステムのあらゆる側面に対応する革新的なアルゴリズムを構築するための継続的な研究が不可欠です。[ 29 ]

CADシステムには標準化された評価基準が欠如している。[ 29 ]この事実は、 FDAなどの規制当局から商業利用の承認を得ることが困難になる原因となっている可能性がある。さらに、CADシステムの多くの有益な開発が実証されている一方で、臨床現場でのアルゴリズムの検証に関する研究は未だ行われていない。[ 31 ]

その他の課題は、医療従事者が新しいCADシステムを臨床現場に導入する際に生じる問題に関連しています。一部の否定的な研究は、CADの使用を躊躇させる可能性があります。さらに、医療従事者に対するCADの使用に関するトレーニングが不足しているため、システムの結果が誤って解釈されることもあります。[ a ]

アプリケーション

IBMの臨床判断を支援するアルゴリズムであるMedical Sieveのインターフェース

CAD は、乳がん、肺がん、大腸がん、前立腺がん、骨転移、冠動脈疾患、先天性心疾患、病理学的脳検出、骨折検出、アルツハイマー病、糖尿病網膜症の診断に使用されます。

乳癌

CADは、マンモグラフィー（女性の乳房のX線検査）のスクリーニングに用いられます。マンモグラフィーのスクリーニングは、乳がんの早期発見に用いられます。CADシステムは、腫瘍を悪性（がん性）か良性（非がん性）に分類するためによく利用されます。CADは特に米国とオランダで確立されており、通常は放射線科医による人間による評価に加えて用いられます。

マンモグラフィ用の最初のCADシステムは、シカゴ大学の研究プロジェクトで開発されました。現在では、iCADとHologicによって市販されています。しかし、CADシステムは高感度を達成する一方で、特異度が非常に低い傾向があり、CADを使用する利点は依然として不明確です。2008年に実施されたマンモグラフィスクリーニングにおけるコンピュータ支援検出に関するシステマティックレビューでは、CADは癌検出率に有意な影響を与えないが、望ましくないリコール率（偽陽性率）を増加させると結論付けられました。ただし、リコール率への影響については、研究間でかなりのばらつきがあることが指摘されています。[ 32 ]

近年の機械学習、ディープラーニング、人工知能技術の進歩により、癌の検出率を向上させ、偽陽性や不必要な患者の再検査を減らし、読影時間を大幅に短縮することで、マンモグラフィ画像の読影における課題に対処する放射線科医を支援することが臨床的に証明されたCADシステムの開発が可能になった。[ 33 ]

磁気共鳴画像法（MRI） に基づいてマンモグラフィーを評価する手順も存在します。

肺がん（気管支癌）

肺がんの診断においては、特殊な3次元CADシステムを備えたCT（コンピュータ断層撮影）が確立されており、適切なセカンドオピニオンとして考えられています。 [ 34 ]このCTでは、最大3,000枚の単一画像を含むボリュームデータセットが作成され、分析されます。1mmから円形病変（肺がん、転移、良性変化）を検出できます。現在、すべての大手医療システムベンダーが、対応するソリューションを提供しています。

肺がんの早期発見は価値がある。しかし、X線画像で早期段階（ステージ1）の肺がんを偶然発見することは困難である。5～10 mmの円形病変は見落とされやすい。[ 35 ] CAD胸部システムを日常的に適用することで、初期の疑いなく小さな変化を発見できる可能性がある。多くの研究者が、胸部X線撮影[ 36 ] [ 37 ] [ 38 ]およびCT [ 39 ] [ 40 ]における肺結節（30 mm未満の円形病変）の検出用CADシステムや、CTにおける肺結節の診断（例えば、悪性と良性の区別）用CADシステムを開発した。仮想デュアルエネルギー画像[ 41 ] [ 42 ] [ 43 ] [ 44 ]は、胸部X線撮影におけるCADシステムの性能を向上させた。[ 45 ]

大腸がん

CADは、 CTコロノグラフィーにおける大腸ポリープの検出に利用可能です。[ 46 ] [ 47 ]ポリープは、大腸の内壁から発生する小さな腫瘍です。CADは、特徴的な「隆起」のような形状を識別することでポリープを検出します。過剰な偽陽性を避けるため、CADは皺襞を含む正常な大腸壁を無視します。

心血管疾患

心臓血管コンピューティング、心臓血管情報科学、数学および計算モデリングにおける最先端の方法は、臨床意思決定において貴重なツールを提供することができます。[ 48 ]新しい画像解析ベースのマーカーを入力として使用するCADシステムは、血管内科医が心血管疾患患者に最適な治療をより高い自信を持って決定するのに役立ちます。

無症候性患者における脳卒中を予測するには、頸動脈アテローム性動脈硬化症の信頼性の高い早期発見とリスク層別化が最も重要である。 [ 49 ]この目的のために、超音波画像に基づく特徴を用いた様々な非侵襲的で低コストのマーカーが提案されている。[ 50 ]これらは、エコー輝度、テクスチャ、動き[ 51 ] [ 52 ] [ 53 ] [ 54 ]の特性を組み合わせて、心血管リスクの予測、評価、管理の改善に向けた臨床的意思決定を支援する。[ 55 ]

CADは、冠動脈CT血管造影（CCTA）検査において有意な（50％以上の狭窄を引き起こす）冠動脈疾患を自動的に検出するために利用可能である。[ 56 ]

先天性心疾患

病変の早期発見は生死を分ける可能性があります。CADeは、デジタル聴診器と専用ソフトウェアを用いた聴診（コンピュータ支援聴診とも呼ばれます）によって行われます。心不全を患う心臓を血液が流れることで生じる不整心音（雑音）を、高い感度と特異度で検出できます。コンピュータ支援聴診は外部のノイズや体音に敏感であるため、正確に機能させるにはほぼ静かな環境が必要です。

病理学的脳検出（PBD）

Chaplotらは、離散ウェーブレット変換（DWT）係数を用いて病的な脳を検出することを初めて試みました。 [ 57 ] MaitraとChatterjeeは、DWTの改良版であるSlantlet変換を採用しました。彼らは、特定の論理に従って選択された6つの空間位置に対応するSlantlet変換出力の振幅を考慮することで、各画像の特徴ベクトルを作成しました。[ 58 ]

2010年、WangとWuは、与えられた脳MRI画像を正常か異常かに分類する順方向ニューラルネットワーク（FNN）に基づく手法を発表しました。FNNのパラメータは、適応型カオス粒子群最適化（ACPSO）によって最適化されました。160枚以上の画像を用いた結果、分類精度は98.75%でした。[ 59 ]

2011年にWuとWangは、特徴抽出にDWT、特徴削減にPCA、分類器としてスケールドカオス人工蜂コロニー（SCABC）を使用したFNNを使用することを提案した。[ 60 ]

2013年、Sarithaらはウェーブレットエントロピー（WE）を初めて病的な脳の検出に適用しました。Sarithaはスパイダーウェブプロットの使用も提案しました。[ 61 ]その後、Zhangらはスパイダーウェブプロットを削除してもパフォーマンスに影響がないことを証明しました。[ 62 ]遺伝子パターン検索法を正常脳から異常脳を識別するために適用しました。その分類精度は95.188%と報告されています。[ 63 ] Dasらはリップレット変換の使用を提案しました。[ 64 ] Zhangらは粒子群最適化（PSO）の使用を提案しました。[ 65 ] KalbkhaniらはGARCHモデルの使用を提案しました。[ 66 ]

2014年にエル・ダシャンらはパルス結合ニューラルネットワークの使用を提案した。[ 67 ]

2015年に周らは、病的な脳を検出するために単純ベイズ分類器を適用することを提案した。 [ 68 ]

アルツハイマー病

CAD は、アルツハイマー病や軽度認知障害のある患者を正常な高齢者の対照群から識別するために使用できます。

2014年に、Padmaらは、ウェーブレット統計テクスチャ特徴を組み合わせて、ADの良性および悪性腫瘍スライスをセグメント化して分類しました。[ 61 ] Zhangらは、カーネルサポートベクターマシン決定木が80％の分類精度を持ち、各画像分類の平均計算時間が0.022秒であることを発見しました。[ 69 ]

2019年、Signaevskyらは、アルツハイマー病やその他のタウオパチーにおける神経原線維変化（NFT）の検出と定量化のための学習済み完全畳み込みネットワーク（FCN）を初めて報告した。学習済みFCNは、ナイーブなデジタル全スライド画像（WSI）のセマンティックセグメンテーションで高い適合率と再現率を達成し、200エポック学習済みのSegNetモデルを使用してNFTオブジェクトを正しく識別した。FCNは、グラフィックス処理装置（GPU）あたりWSIあたり平均45分の処理時間という実用的な効率を達成し、信頼性と再現性のある大規模なNFT検出を可能にした。さまざまなタウオパチーにわたる8つのナイーブWSIのテストデータで測定された性能は、再現率0.92、適合率0.72、 F1スコア0.81となった。[ 70 ]

固有脳は、主成分分析（PCA）[ 71 ]または独立成分分析分解[ 72 ]に基づいて、ADの検出に役立つ新しい脳機能です。多項式カーネルSVMは優れた精度を達成することが示されている。多項式KSVMは、線形SVMやRBFカーネルSVMよりも優れた性能を発揮します。[ 73 ]他に、テクスチャ分析[ 74 ] 、形態学的特徴[ 75 ] 、または高次統計的特徴[ 76 ]の使用によるアプローチも、良好な結果を示しています。

核医学

CADxは核医学画像に利用可能です。全身骨スキャンにおける骨転移の診断や心筋灌流画像における冠動脈疾患の診断を目的とした市販のCADxシステムも存在します。[ 77 ]

高い感度と許容できる偽病変検出率を備えたコンピュータ支援自動病変検出システムは有用であることが実証されており、将来的には核医学医師が骨病変の可能性を特定するのに役立つ可能性がある。[ 78 ]

糖尿病網膜症

糖尿病網膜症は網膜の疾患であり、主に眼底鏡検査によって診断されます。先進国では、糖尿病患者は一般的に定期的なスクリーニング検査を受けています。画像診断は、網膜血管の異常の初期兆候を認識するために用いられます。これらの画像を手作業で分析することは時間がかかり、信頼性が低い場合があります。[ 79 ] [ 80 ] CADは、自動検出法の精度、感度、特異性を高めるために用いられています。一部のCADシステムを人間のグレーダーに代用することは、安全かつ費用対効果の高い方法です。[ 80 ]

画像の前処理と特徴抽出および分類は、これらのCADアルゴリズムの2つの主要な段階です。[ 81 ]

前処理方法

画像の正規化とは、画像全体の変動を最小限に抑えることです。眼の周辺部と中心部の黄斑部の間の輝度変動は、血管セグメンテーションの不正確さを引き起こすことが報告されています。[ 82 ] 2014年のレビューによると、この手法は最も頻繁に使用されており、最近（2011年以降）発表された40件の一次研究のうち11件に登場しました。[ 81 ]

ヒストグラム均等化のサンプル画像。左：通常のグレースケール眼底検査画像。右：ヒストグラム均等化処理後。[ 83 ]

ヒストグラム均等化は、画像内のコントラストを高めるのに役立ちます。[ 84 ]この手法は、局所的なコントラストを高めるために使用されます。処理の最後に、入力画像で暗かった領域が明るくなり、その領域に存在する特徴間のコントラストが大幅に向上します。一方、入力画像内の明るい領域は、画像内の他の領域と均一になるように明るいままにするか、明るさを下げます。血管のセグメンテーションに加えて、糖尿病網膜症に関連する他の特徴も、この前処理手法を使用してさらに分離できます。細動脈瘤と出血は赤い病変であり、滲出液は黄色い斑点です。これら2つのグループ間のコントラストを高めることで、画像上の病変をよりよく視覚化できます。この手法により、2014年のレビューでは、最近（2011年以降）に発表された14件の一次研究のうち10件がヒストグラム均等化されました。[ 81 ]

緑チャンネルフィルタリングは、血管ではなく病変の鑑別に有用なもう一つの手法である。この手法は、糖尿病網膜症関連病変間のコントラストを最大限に高めるため重要である。[ 85 ]細動脈瘤と出血は赤色の病変であり、緑チャンネルフィルタリングを適用すると暗く見える。対照的に、通常画像では黄色に見える滲出液は、緑チャンネルフィルタリングを適用すると明るい白色の斑点に変化する。この手法は2014年のレビューによると最も多く使用されており、過去3年間に発表された40件の論文のうち27件に登場している。[ 81 ]さらに、緑チャンネルフィルタリングは、ダブルウィンドウシステムと組み合わせて視神経乳頭の中心を検出するために使用できる。

不均一照明補正は、眼底検査画像における不均一照明を調整する技術である。不均一照明は、画像の統計的特性の変化のために、糖尿病網膜症の自動検出において潜在的なエラーとなる可能性がある。[ 81 ]これらの変化は、特徴抽出などの後段の処理に影響を及ぼす可能性があり、人間には観察できない。不均一照明（f'）の補正は、既知の元のピクセル強度（f）と、局所ピクセル（λ）および目的のピクセル（μ）の平均強度を使用してピクセル強度を修正することによって実現できる（下式を参照）。[ 86 ]次に、ウォルター・クライン変換を適用して均一照明を実現する。[ 86 ]この技術は、2014年のレビューで最も使用されていない前処理方法である。

f′＝f+μ−λ{\displaystyle f'=f+\mu -\lambda }

形態学的演算は、2014年のレビューで2番目に使用されていない前処理方法です。[ 81 ]この方法の主な目的は、特に背景と比較して暗い領域のコントラストを強調することです。

特徴抽出と分類

眼底画像の前処理後、画像は様々な計算手法を用いてさらに解析されます。しかしながら、現在の文献では、血管セグメンテーション解析において、SVM、マルチスケール、血管追跡、領域成長法、モデルベースアプローチといった手法が他の手法よりも頻繁に使用されていることが示されています。

サポートベクターマシン。2つのグループ間の分離を最大化するために、サポートベクター（破線）が作成されます。

サポートベクターマシンは、血管セグメンテーションにおいて圧倒的に最も頻繁に使用されている分類器であり、最大90%のケースで使用されています。SVMは、パターン認識技術のより広いカテゴリに属する​​教師あり学習モデルです。このアルゴリズムは、データ内の異なるサンプル間に最大のギャップを作成することで機能します。目標は、分類における潜在的なエラーを最小限に抑えるこれらのコンポーネント間の最大のギャップを作成することです。[ 87 ]血管情報を目の画像の残りの部分から適切に分離するために、SVMアルゴリズムは、教師あり環境を通じて血管ピクセルを画像の残りの部分から分離するサポートベクターを作成します。新しい画像からの血管の検出は、サポートベクターを使用して同様の方法で行うことができます。緑チャネルフィルタリングなどの他の前処理技術と組み合わせることで、血管異常の検出精度が大幅に向上します。[ 81 ] SVMのいくつかの有益な特性は次のとおりです。 [ 87 ]

  • 柔軟性 - 機能面で非常に柔軟
  • シンプルさ – 特に大規模なデータセットではシンプルです（データ間の分離にはサポートベクターのみが必要です）

マルチスケールアプローチは、血管セグメンテーションにおける多重解像度アプローチです。低解像度では、まず太い血管を抽出できます。解像度を上げることで、太い血管から分岐する細い血管を容易に認識できます。したがって、この手法を使用する利点の一つは、解析速度の向上です。[ 79 ]さらに、このアプローチは3D画像にも使用できます。表面表現は血管の曲率に垂直な面であるため、血管表面の異常を検出することができます。

血管追跡とは、血管の「中心線」を検出するアルゴリズムの能力です。これらの中心線は、血管の曲率の最大値です。血管の中心は、ガウスフィルタによって提供される方向情報を用いて見つけることができます。中心線の概念を利用する同様のアプローチには、スケルトンベースと微分幾何学ベースがあります。[ 79 ]

領域成長法は、類似性を持つ隣接ピクセルを検出する手法です。この手法を開始するには、シードポイントが必要です。この手法が機能するには、類似性と空間的近接性の2つの要素が必要です。シードピクセルに隣接する、類似した強度を持つピクセルは、同じタイプである可能性が高いため、成長領域に追加されます。この手法の欠点の1つは、シードポイントを手動で選択する必要があることです。これにより、アルゴリズムにバイアスと不整合が生じます。[ 79 ]この手法は、視神経乳頭の識別にも使用されています。

モデルベースのアプローチでは、画像から血管を抽出するために表現を用いる。モデルベースには、変形可能、パラメトリック、テンプレートマッチングの3つの大まかなカテゴリが知られている。[ 79 ]変形可能な手法では、画像上の物体の輪郭に合わせて変形される物体を用いる。パラメトリックでは、血管の管状、円筒状、楕円体表現などの幾何学的パラメータを用いる。血管のトポロジ情報と組み合わせた古典的な蛇の輪郭も、モデルベースのアプローチとして用いることができる。[ 88 ]最後に、テンプレートマッチングは、隠れマルコフモード1を用いた確率的変形プロセスによって適合されたテンプレートを用いる。

雇用への影響

医療診断業務の自動化（例えば、赤血球の定量化）には歴史的な前例がある。[ 89 ] 2010年代のディープラーニング革命により、視覚診断の多くの分野で放射線科医や皮膚科医よりも正確なAIがすでに誕生しており、この差は拡大すると予想されている。

多くの医師を含む一部の専門家は、AIが医療の専門分野に与える影響を軽視している。

一方、多くの経済学者や人工知能の専門家は、放射線科などの分野は大きな混乱に陥り、放射線科医の失業や賃金下落圧力が高まると予測しています。病院は放射線科医を全体的に必要としなくなり、残っている放射線科医の多くは大幅な再訓練を必要とするでしょう。 「ディープラーニングのゴッドファーザー」であるジェフリー・ヒントン氏は、今後5年から10年の間に予想される進歩を考慮すると、病院は放射線科医の訓練を直ちに中止すべきだと主張しています。時間と費用のかかる視覚診断の訓練はまもなくほとんど時代遅れになり、従来の放射線科医の供給過剰につながるからです。[ 90 ] [ 91 ]

JAMA誌の論説では、病理学者と放射線科医は「情報スペシャリスト」という単一の役割に統合されるべきであり、「コンピュータに置き換えられることを避けるためには、放射線科医は自らをコンピュータに置き換えられることを受け入れなければならない」と述べている。情報スペシャリストは「ベイズ論理、統計、データサイエンス」、そしてある程度のゲノミクスと生体認証の訓練を受けるべきであり、現在の煩雑な放射線科医の訓練と比較して、手動による視覚パターン認識は大幅に軽視されるべきである。[ 92 ]

参照

脚注

  1. ^これらの課題については、こちらでより詳細に説明されています：Yanase J, Triantaphyllou E (2019). 「医療におけるコンピュータ支援診断の将来に向けた7つの主要課題」. International Journal of Medical Informatics. 129: 413–422. doi:10.1016/j.ijmedinf.2019.06.017. PMID 31445285. S2CID 198287435.

参考文献

  1. ^ 「コンピュータ支援診断：デジタル病理学の転換点」デジタル病理学協会、2017年4月27日。
  2. ^ Oakden-Rayner, Luke (2019年5月). 「CADの復活：現代のAIは私たちが知っているCADとどう違うのか？」 .放射線学：人工知能. 1 (3) e180089. doi : 10.1148/ryai.2019180089 . ISSN 2638-6100 . PMC 8017402. PMID 33937793 .   
  3. ^ Bird, RE; Wallace, TW; Yankaskas, BC (1992). 「スクリーニングマンモグラフィーで見逃された癌の分析」. Radiology . 184 (3): 613– 617. doi : 10.1148/radiology.184.3.1509041 . PMID 1509041 . 
  4. ^ Baker, JA; Rosen, EL; Lo, JY; et al. (2003). 「スクリーニングマンモグラフィーにおけるコンピュータ支援検出（CAD）：市販CADシステムの建築的歪み検出感度」American Journal of Roentgenology . 181 (4): 1083– 1088. doi : 10.2214/ajr.181.4.1811083 . PMID 14500236 . 
  5. ^ Jang, HJ; Lee, KS; Kwon, OJ; et al. (1996). 「細気管支肺胞癌：薄切CTにおけるすりガラス陰影の局所領域は早期徴候として」. Radiology . 199 (2): 485–488 . doi : 10.1148/radiology.199.2.8668800 . PMID 8668800 . 
  6. ^鈴木 健; 李 文雄; 曽根 誠; 土井 健 (2005). 「大規模学習型人工ニューラルネットワークを用いた胸部低線量CTにおける良悪性結節の判別のためのコンピュータ支援診断スキーム」IEEE Transactions on Medical Imaging . 24 (9): 1138– 1150. doi : 10.1109 / tmi.2005.852048 . PMID 16156352. S2CID 2690415 .  
  7. ^ Lostumbo, A.; Suzuki, K.; Dachman, AH (2010). 「CTコロノグラフィーにおける平坦病変」. Abdom Imaging . 35 (5): 578– 583. doi : 10.1007/s00261-009-9562-3 . PMID 19633882. S2CID 13487349 .  
  8. ^ Lea, Andrew S. (2023). 『デジタル診断：20世紀アメリカにおける医療、心、機械』ジョンズ・ホプキンス大学出版局. pp.  1– 256. ISBN 978-1421446813。
  9. ^ a b c Yanase J, Triantaphyllou E (2019). 「医療におけるコンピュータ支援診断の体系的調査：過去と現在の発展」.エキスパートシステムとその応用. 138 112821. doi : 10.1016/j.eswa.2019.112821 . S2CID 199019309 . 
  10. ^ Shortliffe EH, Buchanan BG (1975). 「医学における不正確な推論のモデル」. Mathematical Biosciences . 23 ( 3–4 ): 351– 379. doi : 10.1016/0025-5564(75)90047-4 . S2CID 118063112 . 
  11. ^ Miller RA, Pople Jr HE, Myers JD (1982). 「Internist-I：一般内科のための実験的コンピュータベース診断コンサルタント」. New England Journal of Medicine . 307 (8): 468– 476. doi : 10.1056/NEJM198208193070803 . PMID 7048091 . 
  12. ^ファイゲンバウム、エドワード、マコーダック、パメラ (1984). 『第五世代』アディソン・ウェスレー社. pp.  1– 275. ISBN 978-0451152640。
  13. ^ Salcudean, SE; Bell, G.; Bachmann, S.; Zhu, WH; Abolmaesumi, P.; Lawrence, PD (1999)「ロボット支援診断用超音波 - 設計と実現可能性実験」、Miccai99、Lecture Notes in Computer Science、1679、Springer: 1062– 1071、doi : 10.1007/10704282_115、ISBN 978-3-540-66503-8{{citation}}: CS1 maint: ISBNによる作業パラメータ（リンク）
  14. ^ Dario, P.; Bergamasco, M. (1988)、「触診による自動診断タスクのための高度なロボットシステム」、IEEE Transactions on Biomedical Engineering、35 (2): 118– 126、doi : 10.1109/10.1349、PMID 3350538、S2CID 24390579  
  15. ^ Richard M. Karp (1972). 「組合せ問題における還元可能性」(PDF) . RE Miller; JW Thatcher (編). 『コンピュータ計算の複雑性』 . ニューヨーク: Plenum. pp.  85– 103.オリジナル(PDF)から2011年6月29日にアーカイブ。 2019年8月14日閲覧。
  16. ^ Doi K (2007). 「医用画像におけるコンピュータ支援診断：歴史的レビュー、現状、そして将来の可能性」 . Computerized Medical Imaging and Graphics . 31 (4): 198– 211. doi : 10.1016/j.compmedimag.2007.02.002 . PMC 1955762. PMID 17349778 .  
  17. ^ Upbin, Bruce (2013年2月8日). 「IBMのWatson、ヘルスケア分野で初の事業を開始」 . Forbes . 2013年3月10日閲覧。
  18. ^コーン、ジョナサン（2013年3月）「ロボットがあなたをすぐに見てくれる」アトランティック誌。
  19. ^ Echegaray, Sebastian; Gevaert, Olivier; Shah, Rajesh; Kamaya, Aya; Louie, John; Kothary, Nishita; Napel, Sandy (2015年11月18日). 「腫瘍セグメンテーションの影響を受けないラジオミクス特徴のためのコアサンプル：肝細胞癌のCT画像を用いた方法とパイロットスタディ」 . Journal of Medical Imaging . 2 (4) 041011. doi : 10.1117/1.JMI.2.4.041011 . PMC 4650964. PMID 26587549 .  
  20. ^ Murphy, K.; van Ginneken, B.; Schilham, AM; et al. (2009). 「局所画像特徴とk近傍法を用いた胸部CTにおける自動肺結節検出の大規模評価」. Medical Image Analysis . 13 (5): 757– 770. doi : 10.1016/j.media.2009.07.001 . hdl : 2066/81262 . PMID 19646913. S2CID 25181663 .  
  21. ^鈴木 健; Armato III, SG; Li, F.; Sone, S.; Doi, K. (2003). 「低線量CTにおける肺結節のコンピュータ検出における偽陽性の低減のための大規模学習型人工ニューラルネットワーク（MTANN）」. Medical Physics . 30 (7): 1602– 1617. Bibcode : 2003MedPh..30.1602S . doi : 10.1118/1.1580485 . PMID 12906178 . 
  22. ^ Chan, HP; Lo, SC; Sahiner, B.; et al. (1995). 「コンピュータ支援によるマンモグラフィ微小石灰化の検出：人工ニューラルネットワークによるパターン認識」. Medical Physics . 22 (10): 1555– 1567. Bibcode : 1995MedPh..22.1555C . doi : 10.1118/1.597428 . hdl : 2027.42/134770 . PMID 8551980 . 
  23. ^ Gletsos, Miltiades; Mougiakakou, Stavroula; Matsopoulos, George; Nikita, Konstantina; Nikita, Alexandra; Kelekis, Dimitrios (2003). 「CT画像における肝局所病変の特徴を明らかにするコンピュータ支援診断システム：ニューラルネットワーク分類器の設計と最適化」IEEE Transactions on Information Technology in Biomedicine . 7 (3): 153– 162. doi : 10.1109/TITB.2003.813793 . PMID 14518728. S2CID 18918667 .  
  24. ^ Mougiakakou, Stavroula; Golemati, Spyretta; Gousias, Ioannis; Nicolaides, Andrew; Nikita, Konstantina (2007). 「超音波画像統計、法則テクスチャ、ニューラルネットワークに基づく頸動脈アテローム性動脈硬化症のコンピュータ支援診断」. Ultrasound in Medicine and Biology . 33 (1): 26– 36. doi : 10.1016/j.ultrasmedbio.2006.07.032 . PMID 17189044 . 
  25. ^ Stoitsis, John; Valavanis, Ioannis; Mougiakakou, Stavroula; Golemati, Spyretta; Nikita, Alexandra; Nikita, Konstantina (2006). 「医用画像処理と人工知能手法に基づくコンピュータ支援診断」.核物理学研究における計測機器と計測方法 A セクション：加速器、分光計、検出器および関連機器. 569 (2): 591– 595. Bibcode : 2006NIMPA.569..591S . doi : 10.1016/j.nima.2006.08.134 .
  26. ^ Chen, S.; Suzuki, K.; MacMahon, H. (2011). 「サポートベクター分類を用いた2段階結節強調法による胸部X線写真における肺結節検出のためのコンピュータ支援診断スキームの開発と評価」 . Medical Physics . 38 (4): 1844– 1858. Bibcode : 2011MedPh..38.1844C . doi : 10.1118/1.3561504 . PMC 3069992. PMID 21626918 .  
  27. ^ Papadopoulos, A.; Fotiadis, DI; Likas, A. (2005). 「ニューラルネットワークとサポートベクターマシンを用いたデジタルマンモグラムにおけるクラスター化微小石灰化の特徴づけ」Artif Intell Med . 34 (2): 141– 150. doi : 10.1016/j.artmed.2004.10.001 . PMID 15894178 . 
  28. ^ウォレンウェバー T.;ジャンケ・B.タイヒマン A.フロイント M. (2007)。 「マンモグラフィーのためのコンピュータ支援検出システム (CAD) の相関関係」。ゲブルトシュ・フラウエンハイク。67 (2): 135–141。土井: 10.1055/s-2006-955983。S2CID 73122975。 
  29. ^ a b c d e Yanase J, Triantaphyllou E (2019). 「医療におけるコンピュータ支援診断の将来に向けた7つの主要課題」. International Journal of Medical Informatics . 129 : 413–422 . doi : 10.1016 / j.ijmedinf.2019.06.017 . PMID 31445285. S2CID 198287435 .  
  30. ^ Wadhwa, RR; Park, DY; Natowicz, MR (2018). 「同時発生遺伝性疾患の同定におけるコンピュータベースの診断ツールの精度」American Journal of Medical Genetics Part A . 176 (12): 2704– 2709. doi : 10.1002/ajmg.a.40651 . PMID 30475443 . S2CID 53758271 .  
  31. ^ブロン EE、スミッツ M、ヴァン ダー フライヤー WM、ヴレンケン H、バルコフ F、シェルテンス P、パプマ JM、ステケティー RM、オレラナ CM、メイブーム R、ピント M (2015)。「構造 MRI に基づく認知症のコンピューター支援診断アルゴリズムの標準化評価: CAD 認知症チャレンジ」。ニューロイメージ。111 : 562–579 .土井: 10.1016/j.neuroimage.2015.01.048。PMC 4943029。PMID 25652394。  
  32. ^ Taylor P, Potts HW (2008). 「マンモグラフィースクリーニングにおける介入としてのコンピュータ支援と人間による再読影：がん検出率と再診率への影響を比較する2つの系統的レビュー」（PDF） . European Journal of Cancer . 44 (6): 798– 807. doi : 10.1016/j.ejca.2008.02.016 . PMID 18353630 . 
  33. ^ Benjamens, Stan; Dhunnoo, Pranavsingh; Mesko, Bertalan (2020). 「人工知能ベースのFDA承認医療機器およびアルゴリズムの現状：オンラインデータベース」 . npj Digital Medicine . 3 118. doi : 10.1038/s41746-020-00324-0 . PMC 7486909. PMID 32984550 .  
  34. ^阿部義之;花井幸三；中野真紀子；大久保康之；橋爪俊典柿崎 亨中村正人ニキ、ノボル。江口 健二 (2005-01-01) 「コンピュータ断層撮影による肺がんスクリーニングにおけるコンピュータ支援診断 (CAD) システム」。抗がん研究。25 ( 1B) : 483–488。ISSN 0250-7005 。PMID 15816616。  
  35. ^ Wu N, Gamsu G, Czum J, Held B, Thakur R, Nicola G (2006年3月). 「直接デジタルラジオグラフィーと画像アーカイブ・通信システムを用いた小肺結節の検出」J Thorac Imaging . 21 (1): 27– 31. doi : 10.1097/01.rti.0000203638.28511.9b . PMID 16538152 . S2CID 31230950 .  
  36. ^ Giger, Maryellen Lissak; Doi, Kunio; MacMahon, Heber (1988-03-01). 「デジタルラジオグラフィーにおける画像特徴分析とコンピュータ支援診断．3. 末梢肺野における結節の自動検出」. Medical Physics . 15 (2): 158– 166. Bibcode : 1988MedPh..15..158G . doi : 10.1118/1.596247 . ISSN 2473-4209 . PMID 3386584 .  
  37. ^ギネケン、B. ヴァン;ロメニー、BM テルハール;マサチューセッツ州ヴィエルジェベル (2001-12-01)。「胸部 X 線撮影におけるコンピュータ支援診断: 調査」。医用画像に関するIEEEトランザクション。20 (12): 1228–1241。土井: 10.1109/42.974918。ISSN 0278-0062。PMID 11811823。S2CID 6280485。   
  38. ^ Coppini, G.; Diciotti, S.; Falchini, M.; Villari, N.; Valli, G. (2003-12-01). 「コンピュータ支援診断のためのニューラルネットワーク：胸部X線写真における肺結節の検出」. IEEE Transactions on Information Technology in Biomedicine . 7 (4): 344– 357. doi : 10.1109/TITB.2003.821313 . ISSN 1089-7771 . PMID 15000360. S2CID 15121082 .   
  39. ^ Giger, ML; Bae, KT; MacMahon, H. (1994-04-01). 「コンピュータ断層撮影画像における肺結節のコンピュータ検出」. Investigative Radiology . 29 (4): 459– 465. doi : 10.1097/00004424-199404000-00013 . ISSN 0020-9996 . PMID 8034453. S2CID 9800069 .   
  40. ^ Kanazawa, K.; Kawata, Y.; Niki, N.; Satoh, H.; Ohmatsu, H.; Kakinuma, R.; Kaneko, M.; Moriyama, N.; Eguchi, K. (1998-03-01). 「ヘリカルCT画像に基づく肺結節のコンピュータ支援診断」 . Computerized Medical Imaging and Graphics . 22 (2): 157– 167. doi : 10.1016/S0895-6111(98)00017-2 . ISSN 0895-6111 . PMID 9719856. 2021年4月27日時点のオリジナルよりアーカイブ。 2017年5月4日閲覧。  
  41. ^ Chen, Sheng; Zhong, Sikai; Yao, Liping; Shang, Yanfeng; Suzuki, Kenji (2016). 「集中治療室で得られた胸部X線写真における骨抑制と一貫した処理による鮮明化」. Physics in Medicine and Biology . 61 (6): 2283– 2301. Bibcode : 2016PMB....61.2283C . doi : 10.1088/0031-9155 / 61/6/2283 . PMID 26930386. S2CID 206020910 .  
  42. ^ Chen, S.; Suzuki, K. (2014-02-01). 「解剖学的に特異的な多重大規模学習ANNと全変動最小化スムージングの組み合わせによる胸部X線写真からの骨の分離」IEEE Transactions on Medical Imaging . 33 (2): 246– 257. doi : 10.1109/TMI.2013.2284016 . ISSN 0278-0062 . PMID 24132005. S2CID 922550 .   
  43. ^鈴木 健; 阿部 秀; マクマホン 秀; 土井 健 (2006-04-01). 「大規模学習型人工ニューラルネットワーク（MTANN）を用いた胸部X線写真における肋骨抑制のための画像処理技術」. IEEE Transactions on Medical Imaging . 25 (4): 406– 416. CiteSeerX 10.1.1.589.8748 . doi : 10.1109/TMI.2006.871549 . ISSN 0278-0062 . PMID 16608057. S2CID 17961280 .    
  44. ^ LOOG, M; VANGINNEKEN, B; SCHILHAM, A (2006-12-01). 「フィルタ学習：胸部X線写真における骨構造の抑制への応用」. Medical Image Analysis . 10 (6): 826– 840. doi : 10.1016/j.media.2006.06.002 . ISSN 1361-8415 . PMID 16859953 .  
  45. ^ Chen, S.; Suzuki, K. (2013-02-01). 「仮想デュアルエネルギーラジオグラフィーによる肺結節のコンピュータ検出」. IEEE Transactions on Bio-Medical Engineering . 60 (2): 369– 378. doi : 10.1109/TBME.2012.2226583 . ISSN 0018-9294 . PMC 4283823. PMID 23193306 .   
  46. ^ Bell, LTO; Gandhi, S. (2018). 「大腸ポリープ同定のためのコンピュータ支援検出（CAD）プログラムの比較：性能と感度分析、現状の限界、そして放射線科医のための実践的なヒント」. Clinical Radiology . 73 (6) 593.e11–593.e18. doi : 10.1016/j.crad.2018.02.009 . PMID 29602538. S2CID 4500060 .  
  47. ^鈴木健二; 吉田博之; ネッピ・ヤンネ; ダッハマン・エイブラハム・H. (2006年10月1日). 「コンピュータ支援によるポリープ検出における偽陽性の低減のための大規模学習型人工ニューラルネットワーク（MTANN）：直腸管の抑制」. Medical Physics . 33 (10): 3814– 3824. Bibcode : 2006MedPh..33.3814S . doi : 10.1118/1.2349839 . ISSN 2473-4209 . PMID 17089846 .  
  48. ^ Golemati, Spyretta; Nikita, Konstantina (2019).心血管コンピューティング - 方法論と臨床応用. Springer.
  49. ^ Gastounioti, Aimilia; Makrodimitris, Stavros; Golemati, Spyretta; Kadoglou, Nikolaos; Liapis, Christos; Nikita, Konstantina (2014). 「動脈壁の運動学的特徴を用いて頸動脈アテローム性動脈硬化症のリスクを分類する新しいコンピュータツール」 . IEEE Journal of Biomedical and Health Informatics . 19 ( 3​​): 1137– 1145. doi : 10.1109/JBHI.2014.2329604 . PMID 24951709. S2CID 5924749 .  
  50. ^ Golemati, Spyretta; Gastounioti, Aimilia; Nikita, Konstantina (2013). 「無症候性頸動脈アテローム性動脈硬化症における脳卒中予測のための新たな非侵襲性かつ低コストのマーカー開発：超音波画像解析の役割」IEEE Transactions on Biomedical Engineering . 60 (3): 652– 658. doi : 10.1109/TBME.2013.2244601 . PMID 23380846. S2CID 5653986 .  
  51. ^ Golemati, Spyretta; Patelaki, Eleni; Gastounioti, Aimilia; Andreadis, Ioannis; Liapis, Christos; Nikita, Konstantina (2020). 「Bモード超音波による頸動脈アテローム性プラークの運動同期パターン」 . Scientific Reports . 10 (1): 11221. Bibcode : 2020NatSR..1011221G . doi : 10.1038/ s41598-020-65340-2 . PMC 7343786. PMID 32641773 .  
  52. ^リジ、フェレシュテ;ああ、ジェイソン。イリ・オリラ、ヘイキ。ゴレマティ、スピレッタ。マクナイト、モニカ。オルキス、マチェジ。ナバブ、ナシル。マクドナルド、モーリン。ライティネン、ティナ・マルヤ。ベナム、ハミッド。ガオ、ジーファン。ガストゥニオティ、アイミリア。ジャーコニス、リュティス。ヴレイ、ディディエ。ライティネン、トミ。セルスクラット、アンドレ。ニキータ、コンスタンティナ。ザンド、ギョーム（2020）。 「超音波画像における頸動脈壁の縦方向の動き：専門家のコンセンサスレビュー」。医学と生物学における超音波。46 (10): 2605– 2624. doi : 10.1016/j.ultrasmedbio.2020.06.006 . PMID 32709520 . S2CID 225545904 .  
  53. ^ Golemati, Spyretta; Gastounioti, Aimilia; Nikita, Konstantina (2016). 「超音波画像に基づく心血管組織の動き推定」. IEEE Reviews in Biomedical Engineering . 9 : 208–218 . doi : 10.1109/RBME.2016.2558147 . S2CID 23333131 . 
  54. ^ Gastounioti, Aimilia; Golemati, Spyretta; Stoitsis, John; Nikita, Konstantina (2013). 「適応型ブロックマッチングを用いたBモード超音波による頸動脈壁運動解析：in silico評価とin vivo応用」. Physics in Medicine and Biology . 58 (24): 8647– 8661. Bibcode : 2013PMB....58.8647G . doi : 10.1088/ 0031-9155 /58/24/8647 . PMID 24256708. S2CID 11571104 .  
  55. ^ガストゥーニオティ、アイミリア;コリアス、ヴァシリオス。ゴレマティ、スピレッタ。ツィパラス、ニコラオス。マツァコウ、アイカテリニ。ストイシス、ジョン。カドグルー、ニコラオス。グケカス、クリストス。カキシス、ジョン。リアピス、クリストス。カラキッソス、ペトロス。サラフィス、イオアニス。アンジェリディス、パデリス。ニキータ、コンスタンティナ (2014)。 「CAROTID - アテローム性動脈硬化症患者の最適な個別管理のための Web ベースのプラットフォーム」。生物医学におけるコンピュータ手法とプログラム。114 (2): 183–193。土井: 10.1016/j.cmpb.2014.02.006。PMID 24636805。 
  56. ^ Goldenberg, Roman; Eilot, Dov; Begelman, Grigory; Walach, Eugene; Ben-Ishai, Eyal; Peled, Nathan (2012). 「冠動脈CT血管造影（CCTA）におけるコンピュータ支援簡易トリアージ（CAST）」 . International Journal of Computer Assisted Radiology and Surgery . 7 (6): 819– 827. doi : 10.1007/s11548-012-0684-7 . ISSN 1861-6410 . PMID 22484719. S2CID 5627031 .   
  57. ^ Chaplot, Sandeep; Patnaik, LM; Jagannathan, NR (2006). 「ウェーブレットを入力としてサポートベクターマシンとニューラルネットワークを用いた磁気共鳴脳画像の分類」. Biomedical Signal Processing and Control . 1 : 86–92 . doi : 10.1016/j.bspc.2006.05.002 .
  58. ^ Maitra, Madhubanti; Chatterjee, Amitava (2006). 「磁気共鳴脳画像分類のためのスラントレット変換に基づくインテリジェントシステム」.生物医学信号処理および制御. 1 (4): 299– 306. doi : 10.1016/j.bspc.2006.12.001 .
  59. ^ Wang, S.; Wu, W. (2010). 「適応型カオスPSOに基づく磁気共鳴脳画像分類のための新しい手法」 .電磁気学研究の進歩. 109 : 325–343 . doi : 10.2528/PIER10090105 .
  60. ^ Zhang, Yudong; Wu, L. (2011). 「改良された人工蜂コロニーアルゴリズムによる磁気共鳴脳画像分類」 .電磁気学研究の進歩. 2011 : 65–79 . doi : 10.2528/PIER11031709 .
  61. ^ a b Padma, A.; Sukanesh, R. (2014). 「ウェーブレット統計テクスチャ特徴の複合利用による脳CT画像のセグメンテーションと分類」. Arabian Journal for Science and Engineering . 39 (2): 767– 776. doi : 10.1007/s13369-013-0649-3 . S2CID 62615810 . 
  62. ^ Zhang, Yudong; Dong, Zhengchao; Ji, Genlin (2015). 「MR脳画像分類におけるスパイダーウェブプロットの効果」.パターン認識レターズ. 62 : 14–16 . Bibcode : 2015PaReL..62...14Z . doi : 10.1016/j.patrec.2015.04.016 .
  63. ^ Zhang, Y.; Wang, S.; Ji, G.; Dong, Z. (2013). 「遺伝的パターン探索と脳画像分類への応用」 . Mathematical Problems in Engineering . 2013 : 1–8 . doi : 10.1155/2013/580876 .
  64. ^ Das S.; Chowdhury M.; Kundu MK (2013). 「Rippletのマルチスケール幾何学解析を用いた脳MR画像分類」 .電磁気学研究の進歩. 137 : 1–17 . doi : 10.2528/pier13010105 .
  65. ^ Zhang, Y.; Wang, S. (2013). 「粒子群最適化とカーネルサポートベクターマシンによるMR脳画像分類システム」 . The Scientific World Journal . 2013 130134. doi : 10.1155/2013/130134 . PMC 3791634. PMID 24163610 .  
  66. ^ Kalbkhani H.; Shayesteh MG; Zali-Vargahan B. (2013). 「GARCH分散系列に基づく脳磁気共鳴画像（MRI）分類のための堅牢なアルゴリズム」.生物医学信号処理および制御. 8 (6): 909– 919. doi : 10.1016/j.bspc.2013.09.001 .
  67. ^ El-Dahshan ESA; Mohsen HM; Revett K.; et al. (2014). 「MRIによるヒト脳腫瘍のコンピュータ支援診断：概要と新しいアルゴリズム」. Expert Systems with Applications . 41 (11): 5526– 5545. doi : 10.1016/j.eswa.2014.01.021 .
  68. ^周星興（2015）「ウェーブレットエントロピーとナイーブベイズ分類器に基づくMRIスキャンにおける病的脳の検出」バイオインフォマティクスとバイオメディカルエンジニアリング コンピュータサイエンス講義ノート 第9043巻 pp.  201– 209. doi : 10.1007/978-3-319-16483-0_20 . ISBN 978-3-319-16482-3。
  69. ^ Zhang, Yudong; Wang, Shuihua; Dong, Zhengchao (2014). 「カーネルサポートベクターマシン決定木による構造磁気共鳴画像に基づくアルツハイマー病の分類」 .電磁気学研究の進歩. 144 : 185–191 . doi : 10.2528/PIER13121310 .
  70. ^ Signaevsky, Maxim; Prastawa, Marcel; Farrell, Kurt; Tabish, Nabil; Baldwin, Elena; Han, Natalia; Iida, Megan; Koll, John; Bryce, Clare; Purohit, Dushyant; Haroutunian, Vahram; McKee, Ann; Stein, Thor; White-III, Charles; Walker, Jamie; Richardson, Timothy; Hanson, Russell; Cordon-Cardo, Carlos; Donovan, Michael; Zeineh, Jack; Fernandez, Gerardo; Crary, John (2019). 「神経病理学における人工知能：ディープラーニングに基づくタウオパチーの評価」臨床検査研究99 ( 7): 1019– 1029. doi : 10.1038/s41374-019-0202-4 . PMC 7684013 . PMID 30770886 .  
  71. ^ Friston, K.; Poline, JP.; Holmes, CJ; Frith, CD; Frackowiak, RS (1996). 「PET活性化研究の多変量解析」. Hum. Brain Mapp . 4 (2): 140– 151. doi : 10.1002/(SICI)1097-0193(1996)4:2<140::AID-HBM5>3.0.CO; 2-3 . PMID 20408193. S2CID 9074888 .  
  72. ^ Martínez-Murcia, FJ; Górriz, JM; Ramírez, J.; Puntonet, CG; Illán, IA (2013). 「有意性尺度と独立成分分析に基づく機能活動マップ」 . Computer Methods and Programs in Biomedicine . 111 (1): 255– 268. doi : 10.1016/j.cmpb.2013.03.015 . PMC 6701938. PMID 23660005 .  
  73. ^ Dong, ZC (2015). 「固有脳と機械学習に基づく3D MRIスキャンを用いたアルツハイマー病関連被験者および脳領域の検出」 . Frontiers in Computational Neuroscience . 66 (9): 66. doi : 10.3389/fncom.2015.00066 . PMC 4451357. PMID 26082713 .  
  74. ^ Zhang, J.; Yu, C.; Jiang, G.; Liu, W.; Tong, L. (2012). 「アルツハイマー病のMRI画像における3Dテクスチャ解析」. Brain Imaging and Behavior . 6 (1): 61– 69. doi : 10.1007/ s11682-011-9142-3 . PMID 22101754. S2CID 10069584 .  
  75. ^チューパン、マリー;ジェラルダン、エミリー。クインネット、レミ。ブテ、クレア。ルイ・ルミュー。レリシー、ステファン。ベナリ、ハビブ。ガルネロ、ライン。コリオ、オリヴィエ (2009)。「ADNI からのデータに適用されたアルツハイマー病および軽度認知障害における全自動海馬セグメンテーションと分類」。海馬。19 (6): 579–587 .土井: 10.1002/hipo.20626。PMC 2837195。PMID 19437497。  
  76. ^ Martinez-Murcia, FJ; Gorriz, JM; Ramirez, J.; Ortiz, A. (2016). 「アルツハイマー病検出のためのMR画像の球状脳マッピング」Current Alzheimer Research . 13 (5): 575– 588. doi : 10.2174/1567205013666160314145158 . hdl : 10481/42543 . PMID 26971941 . S2CID 30472186 .  
  77. ^ 「EXINI診断」。
  78. ^ Huang, Kao, Chen (2007年6月18日). 「核医学全身骨スキャン画像におけるコンピュータ支援診断のための画像処理アルゴリズムセット」. IEEE Transactions on Nuclear Science . 54 (3): 514– 522. Bibcode : 2007ITNS...54..514H . doi : 10.1109/TNS.2007.897830 . S2CID 20730927 . 
  79. ^ a b c d e Kaur, M; Talwar, R (2014). 「血管抽出と眼網膜症検出に関するレビュー」.国際コンピュータサイエンスおよび情報技術ジャーナル. 5 (6): 7513– 7516. S2CID 17460643 . 
  80. ^ a b Tufail, A; Rudisill, C; Egan, C; Kapetanakis, VV; Salas-Vega, S; Owen, CG; Lee, A; Louw, V; Anderson, J; Liew, G; Bolter, L; Srinivas, S; Nittala, M; Sadda, S; Taylor, P; Rudnicka, AR (nd). 「自動糖尿病網膜症画像評価ソフトウェア：人間のグレーダーと比較した診断精度と費用対効果」眼科学. 124 (3): 343– 351. doi : 10.1016/j.ophtha.2016.11.014 . PMID 28024825 . 
  81. ^ a b c d e f g Ahmad, A.; Mansoor, AB; Mumtaz, R.; Khan, M.; Mirza, SH (2014-12-01). 「糖尿病網膜症における画像処理と分類：レビュー」2014年 第5回欧州視覚情報処理ワークショップ (EUVIP) . pp.  1– 6. doi : 10.1109/EUVIP.2014.7018362 . ISBN 978-1-4799-4572-6. S2CID  16465894 .
  82. ^ Fraz, MM; Barman, SA; Remagnino, P.; Hoppe, A.; Basit, A.; Uyyanonvara, B.; Rudnicka, AR; Owen, CG (2012-11-01). 「ビットプレーンと中心線検出を用いた網膜血管の位置特定手法」 . Comput. Methods Prog. Biomed . 108 (2): 600– 616. doi : 10.1016/j.cmpb.2011.08.009 . ISSN 0169-2607 . PMID 21963241 .  
  83. ^ Priya, R; Aruna, P (2011). 「サポートベクターマシンを用いた糖尿病網膜症の自動診断のレビュー」.国際応用工学研究誌, Dindigul . 1 (4): 844– 862.
  84. ^ Abedin, Zain ul (2023年11月10日). 「CAD/CAMとは何か？」 Mechanical Mentor . 2024年2月7日閲覧。
  85. ^ Saleh, Marwan D.; Eswaran, C. (2012-10-01). 「MAおよびHA検出に基づく非増殖性糖尿病網膜症に対する自動意思決定支援システム」. Comput. Methods Prog. Biomed . 108 (1): 186– 196. doi : 10.1016/j.cmpb.2012.03.004 . ISSN 0169-2607 . PMID 22551841 .  
  86. ^ a b Antal, B.; Hajdu, A. (2012-06-01). 「微小動脈瘤検出と糖尿病網膜症のグレーディングのためのアンサンブルベースシステム」. IEEE Transactions on Biomedical Engineering . 59 (6): 1720– 1726. arXiv : 1410.8577 . doi : 10.1109/TBME.2012.2193126 . ISSN 0018-9294 . PMID 22481810. S2CID 16382245 .   
  87. ^ a b Administrator (2015-05-20). 「レビュー：SVMとMDAを用いた糖尿病網膜症の検出」 . International Journal of Computer Applications . 117 (20): 1– 3. Bibcode : 2015IJCA..117t...1S . doi : 10.5120/20667-2485 .
  88. ^エスポナ、L.;ミネソタ州カレイラ。オルテガ、M.ペネド、MG (2007-06-06)。 「網膜血管セグメンテーションのためのヘビ」。マルティでは、ジョアン。ベネディ、ホセ・ミゲル。メンドンサ、アナ・マリア。ジョアン・セラット（編）。パターン認識と画像分析。コンピューターサイエンスの講義ノート。 Vol. 4478.シュプリンガー・ベルリン・ハイデルベルク。 pp.  178–185。土井: 10.1007/978-3-540-72849-8_23。ISBN 9783540728481。
  89. ^パイヴァ、オミル・アントゥネス;プレベデッロ、ルチアーノ M. (2017 年 10 月) 「放射線医学における人工知能の潜在的な影響」。ラジオロギア・ブラジレイラ。50 (5): Ⅴ～ Ⅵ。土井: 10.1590/0100-3984.2017.50.5e1。PMC 5656066。PMID 29085178。  
  90. ^ Mukherjee, Siddhartha (2017年3月27日). 「AI vs. MD」The New Yorker . 2018年2月3日閲覧。
  91. ^ 「なぜスキャン読影人工知能は放射線科医にとって悪いニュースなのか」『エコノミスト』 2017年11月29日。 2018年2月3日閲覧。
  92. ^ Jha, Saurabh; Topol, Eric J. (2016年12月13日). 「人工知能への適応」. JAMA . 316 (22): 2353–2354 . doi : 10.1001/jama.2016.17438 . PMID 27898975. S2CID 3662362 .  
「 https://en.wikipedia.org/w/index.php?title=コンピュータ支援診断&oldid =1318285298」より取得