小橋 昌司

Pelvic and hip fractures offer considerable public health risks with high morbidity and mortality rates. Because of the complicated bone structure of the pelvic bone region, detecting fractures is difficult. Though X-ray imaging is routinely utilised for detecting fractures, manual fracture diagnosis is prone to inaccuracies. This paper proposes the use of deep learning algorithms for automated segmentation of the pelvic bone region in X-ray images. In our work, we have investigated U-Net based pelvic area segmentation models with various convolutional neural network (CNN) backbones. The DenseNet121-based U-Net design emerged as the most optimal model, establishing a compromise between performance and computational efficiency. Although it had a modest loss in IoU and F1 scores when compared to InceptionNetV3, it had a remarkable 59.44% reduction in the number of parameters.

診断支援を目的とした深層学習による肘の超音波画像における離断性骨軟骨炎(OCD)検出法を提案した。本研究では野球肘検診を受診した190例のデータを使用し、このうちOCDは89例(平均11.8±2.13歳)、異常なし(Normal)は101例(平均10.7±1.89歳)であった。まず、肘の超音波画像から肘の小頭に関心領域を限定した。次に、関心領域を限定した画像において深層学習を用いた畳み込みニューラルネットワーク(CNN)によりOCD分類モデルを構築した。代表的なCNNモデルであるVGG16、ResNet50、MobileNet_v2、EfficientNet_v2の四つを使用した。Accuracyが最も高かったのはVGG16であり、Precision、Recall、F1-scoreが最も高かったのはそれぞれMobileNet_2、EfficientNet_v2、VGG16となった。本研究のOCD検出モデルとしてVGG16を選択することにより、高い精度で関心領域を小頭に限定した超音波画像において分類することが可能であると考えられた。

ディープラーニング(DL)に基づくクラス分類を用いて新生児胸部X線画像から新生児慢性肺疾患(CLD)を予測し、その結果を従来研究のものと比較した。当院のNICUで撮影された115症例の新生児胸部X線画像を対象とし、CLD患者は51症例、正常患者は64症例であった。CNNモデルは、Xception、VGG16、VGG19、ResNet50、InceptionV3、InceptionResNetV2、MobileNet、MobileNetV2、DenseNet、NASNetの10種類を使用した。生後日数別にCLDの予測結果を比較したが、有意差は認められなかった。従来研究の機械学習を用いた患者情報からのCLD予測結果は生後7日時点でAUC 0.818、生後28日時点でAUC 0.854であった。本研究の結果と比較すると、生後7日時点では良い結果が得られなかったが、生後28日時点においてDenseNet201を用いた場合、AUCは0.828であり、DLを用いた画像からのCLD予測において同等の結果が得られた。

肩腱板筋群の診断支援のため、人工知能を用いた肩腱板筋群のセマンティックセグメンテーション(SS)およびその領域から筋質(脂肪含有率・萎縮率)の推定を行った。本学整形外科教室より提供された被験者28名のT1強調で撮影された肩部MRのsagittal断面画像のうち、医師が指定した1枚のスライスから水と脂肪の同位相画像(in phase画像)、脂肪画像を用いた。SSのネットワークとして、現在一般的に利用されている深層学習ベースのU-netを使用した。SSの結果、肩甲下筋および棘上筋については従来の研究よりも良い精度となり、他の筋肉領域についても従来と同等の精度となった。筋質推定では、萎縮率については医師および標準的な方法に近い値が得られたが、脂肪含有率については課題が残った。T1 in phase画像のみから筋質評価を行う手法についても現在検討を行っている。

CT画像の非石領域によりESWL(extracorporeal shock wave lithotripsy)アウトカムをCNN(convolutional neural network)で予測し、その有効性を評価した。尿路結石症によりESWLを受けた175例を対象とした。CNN学習の前にデータセットを(学習:検証:テスト)=(6:2:2)の比率にランダム分割し、アウトカムのうち失敗が成功に比べて極端に少ないため、分割には層化抽出を行い、いずれのセットにも成功・失敗がおおむね等しい割合となるようにした。学習データと分割されたテストデータにおいて、AUCが0.9を超える結果が確認されたことから、非石領域はアウトカムに対して一定の予測能力を持つと考えられた。予測確率と他の因子の相関係数を確認すると、それぞれ0.16、0.01と小さく、予測確率、つまり非石領域による因子はアウトカム予測において結石の因子とは独立に、かつ高い予測能力を持つことが明らかになった。

The incidence of falls in hospital facilities is high and can lead to a decrease in patients' quality of life and an increase in medical expenses. Therefore, the development of a system that can predict getting-up from a bed is necessary. This study proposes a get-up detecting sensor using 6-axis inertial sensor. This system can detect getting-up from a bed in real-time using machine learning with Edge AI. To evaluate the basic performance of the proposed system, a protocol was applied for four subjects, and data were collected. Alert accuracy rate and false alert rate were used as evaluation metrics, and a model was built using data from three of the subjects and evaluated with the remaining subject, which was repeated for all four subjects. For high-risk bed-leaving behavior, medium-risk pre-bed-leaving behavior, and low-risk get-up behavior, the alert accuracy rate (i.e., Recall) was 89.4%, 97.5%, and 86.3%, respectively, and the false alert rate (1-Precision) was 6.3%, 10.2%, and 0.0%, respectively. This confirmed the possibility of predicting rising behavior with high accuracy. Furthermore, as a proof of concept, a real-time get-up detection system was developed, and its practicality was demonstrated. Future challenges include reevaluating feature extraction and evaluating the performance of the proposed system with a diverse range of subjects of different ages, genders, and health statuses.