小橋 昌司

PURPOSE: Osteochondritis dissecans (OCD) of the humeral capitellum is a common cause of elbow disorders, particularly among young throwing athletes. Conservative treatment is the preferred treatment for managing OCD, and early intervention significantly influences the possibility of complete disease resolution. The purpose of this study is to develop a deep learning-based classification model in ultrasound images for computer-aided diagnosis. METHODS: This paper proposes a deep learning-based OCD classification method in ultrasound images. The proposed method first detects the humeral capitellum detection using YOLO and then estimates the OCD probability of the detected region probability using VGG16. We hypothesis that the performance will be improved by eliminating unnecessary regions. To validate the performance of the proposed method, it was applied to 158 subjects (OCD: 67, Normal: 91) using five-fold-cross-validation. RESULTS: The study demonstrated that the humeral capitellum detection achieved a mean average precision (mAP) of over 0.95, while OCD probability estimation achieved an average accuracy of 0.890, precision of 0.888, recall of 0.927, F1 score of 0.894, and an area under the curve (AUC) of 0.962. On the other hand, when the classification model was constructed for the entire image, accuracy, precision, recall, F1 score, and AUC were 0.806, 0.806, 0.932, 0.843, and 0.928, respectively. The findings suggest the high-performance potential of the proposed model for OCD classification in ultrasonic images. CONCLUSION: This paper introduces a deep learning-based OCD classification method. The experimental results emphasize the effectiveness of focusing on the humeral capitellum for OCD classification in ultrasound images. Future work should involve evaluating the effectiveness of employing the proposed method by physicians during medical check-ups for OCD.

The extraction of impacted mandibular third molars are common but complex procedure in oral surgery, often assessed using panoramic radiographs. This study proposes a deep learning-based approach for the automatic segmentation and depth-level classification of mandibular third molar teeth according to the Pell & Gregory classification method. Utilizing the YOLOv7 segmentation model, we segmented the molar teeth and mandible and developed an algorithm for depth-level classification. Despite the small training dataset of 315 images, our models achieved high performance, with Dice Similarity Coefficients (DSC) ranging from 0.9001 to 0.9120 for teeth segmentation and 0.9708 for mandible segmentation. The depth-level classification accuracy was 0.7794 for T32 teeth and 0.9118 for T17 teeth. The proposed method demonstrates the potential of deep learning in automating the assessment of third molar depth-level extraction difficulty, offering a scalable and accurate solution for clinical use.

Carotid endarterectomy (CEA) is a surgical treatment for carotid artery stenosis for stroke prevention. Although CEA has been shown to be effective in patients with severe plaque stenosis, predicting long-term outcomes after CEA re-mains difficult. There are many studies that predict prognosis using patients' clinical data, but there are no studies that predict prognosis using carotid plaque pathological images. This study aims to predict the development of cardiovascular disease within one year after surgery in patients undergoing CEA using multimodal learning that combines carotid plaque pathological images, patient's clinical data, and pathologists' interpretation. Moreover, the proposed method contributes to detecting pathological factors and clinical features associated with the development of cardiovascular disease. Pathological risk scores obtained by the anomaly detection model were combined with clinical information and textual features obtained by TF-IDF and they are classified by XGBoost, resulting in a ROC-AUC of 0.850 and a PR-AUC of 0.816. These values showed better classification performance than when each feature was used alone.

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。