第1部 前処理技術のコツ と ディープラーニング精度の向上

(2023年1月11日 10:00〜12:00)

　AIによる医療用画像診断システムの開発では、情報科学技術を活用した医用画像工学の知識や研究が重要である。医療の専門従事者の使用環境は様々で、ユーザーのニーズに対応していく必要がある。画像を認識・検出・処理・評価するだけではなく、効率の良い前処理アルゴリズムを設計することで、ディープラーニングの精度が向上する。
　本講演では、私の専門である情報科学分野からアプローチした最近の研究紹介を含め、AIによる医療用画像診断の開発と実践のための「前処理技術のコツとディープラーニング精度の向上」について考えていく

1. はじめに
   • AIによる医療用画像診断システムの開発における概要
   • 情報科学分野からアプローチする医用画像工学の研究背景
2. 研究紹介 (前処理を中心に)
   • 符号化欠損領域の自動検出を想定した医用画像データの前処理技術
   • 質感情報に基づく画像の領域分割に関する医用画像データの前処理技術
   • 超解像に関する医用画像データの前処理技術
   • コントラスト強調に関する医用画像データの前処理技術
3. 研究紹介 (ディープラーニングを中心に)
   • 敵対的生成ネットワークを用いた医用画像データの前処理技術
   • 顕著性マップを用いた医用画像データの前処理技術
   • セマンティックセグメンテーションを用いた医用画像データの前処理技術
   • 医用画像データに適用可能なスパースコーディング技術
4. ディジタルトランスフォーメーション (DX) 時代に求められる研究開発
   • 数理・データサイエンス教育研究と医療DX
   • 360度カメラ画像とクロスリアリティの活用と医療DX
5. 前処理技術のコツとディープラーニング精度の向上に向けて、総合討論とプロジェクト事例

第2部 少ない教師データを用いた高効率解析を実現するためのメソッド

(2023年1月11日 14:15〜16:00)

　AI学習を効果的に行うには、ビッグデータと対応する教師ラベルが重要である。一方、医療に対するAI活用の期待は大きいものの、大量の教師データが得にくい分野でもある。様々な臓器や疾患の種類、検査装置によって取得されたデータに対して頑健なAI診断システムを構築すには十分な教師データが必要であるが、倫理審査、教師ラベル付与の労力どの点で収集が難しい。したがって、限られた教師データから得られる情報を可能な限り活用して性能の高いAI学習を行う方式が重要である。
　本講演では、主に胸部画像を対象にした事例をもとに、様々な学習方式の解説を行う。

1. 教師データ収集の問題点
   • 教師あり学習と教師なし学習
2. 少ない教師データに対応するための様々な方式
   • 「教師なし学習」と胸部CT画像の分類
   • 「自己教師あり学習」と胸部CT画像の分類
   • 「ドメイン変換」による異なる施設の画像特徴の自動調整
   • 教師なしドメイン変換
   • 半教師ありドメイン変換
   • 胸部CT画像および甲状腺組織画像 (HE染色画像) の分類
   • 「異常検知」による異常データの収集コストの軽減
   • 複数の深層学習モデルを組み合わせた異常検知方式
   • 半教師あり学習型異常検知方式
   • 「転移学習」による学習の効率化
   • 医療画像における転移学習の事例