小橋 昌司

The number of heart disease cases as well as the death associated with it are rising in numbers every year. It is now more important than ever to diagnose heart abnormalities quickly and correctly to ensure proper treatment is provided in time. A common tool for diagnosing heart abnormalities is the Electrocardiogram (ECG). The ECG is a procedure that requires electrodes to monitor and records the activity of hearts as a form of signal. In this paper, a method is proposed to classify standard 12-lead ECG signals using continuous wavelet transform (CWT) and convolutional neural network (CNN). At first, CWT is used to extract and represent features of the ECG signals in 2-dimensional (2D) RGB images. Later, the RGB images are classified into normal and abnormal cases using a pre-trained CNN. The proposed method is evaluated using a dataset containing ECG signals from 18,885 subjects. The maximum accuracy, precision, recall, F1 score, and AUC obtained are 74.78%, 78.968%, 71.003%, 72.957%, and 0.81126 respectively.

Kidney tumor is a health concern that affects kidney cells and may leads to mortality depending on their type. Benign tumors can be unproblematic whereas malignant tumors pose the threat of kidney cancer. Early detection and diagnosis are possible through kidney tumor recognition based on deep learning techniques. In this paper, a method based on transfer learning using deep convolutional neural network (DCNN) is proposed to recognize kidney tumor from computed tomography (CT) images. The proposed method was evaluated on 5284 images. The final accuracy, precision, recall, specificity and F1 score were 92.54%, 80.45%, 93.02%, 92.38% and 0.8628, respectively.

Intracerebral hematoma (ICH) is a blood clot that forms when a blood vessel in the brain ruptures for some reason and the spilled blood coagulates. ICH has a high morbidity and mortality rate, accounting for approximately 10% of all strokes. Manual segmentation of ICH in head CT images is very complicated, time consuming, and troublesome. When ICH perforates the ventricular wall and blood flows into the ventricle, there is little difference in CT value between ICH and intraventricular hemorrhage (IVH), and the boundary between them is unclear. Convolutional neural network (CNN) has proven to be a reliable method in the field of image recognition. In addition, quantification of ICH may aid in decision making in ICH treatment. In this study, we introduce CNN in a stepwise manner to differentiate ICH and IVH in the process and extract ICH regions. The results in 18 stroke patients show that our method is promising in the extraction of ICH regions with an accuracy of 75.2%.

BACKGROUND: Diabetic Sensorimotor polyneuropathy (DSPN) is one of the major indelible complications in diabetic patients. Michigan neuropathy screening instrumentation (MNSI) is one of the most common screening techniques used for DSPN, however, it does not provide any direct severity grading system. METHOD: For designing and modeling the DSPN severity grading systems for MNSI, 19 years of data from Epidemiology of Diabetes Interventions and Complications (EDIC) clinical trials were used. Different Machine learning-based feature ranking techniques were investigated to identify the important MNSI features associated with DSPN diagnosis. A multivariable logistic regression-based nomogram was generated and validated for DSPN severity grading using the best performing top-ranked MNSI features. RESULTS: Top-10 ranked features from MNSI features: Appearance of Feet (R), Ankle Reflexes (R), Vibration perception (L), Vibration perception (R), Appearance of Feet (L), 10-gm filament (L), Ankle Reflexes (L), 10-gm filament (R), Bed Cover Touch, and Ulceration (R) were identified as important features for identifying DSPN by Multi-Tree Extreme Gradient Boost model. The nomogram-based prediction model exhibited an accuracy of 97.95% and 98.84% for the EDIC test set and an independent test set, respectively. A DSPN severity score technique was generated for MNSI from the DSPN severity prediction model. DSPN patients were stratified into four severity levels: absent, mild, moderate, and severe using the cut-off values of 17.6, 19.1, 20.5 for the DSPN probability less than 50%, 75%-90%, and above 90%, respectively. CONCLUSIONS: The findings of this work provide a machine learning-based MNSI severity grading system which has the potential to be used as a secondary decision support system by health professionals in clinical applications and large clinical trials to identify high-risk DSPN patients.

脳血管疾患は日本の死因第4位であり,2019年の死亡者数は約10万人に上る.その要因の一つは脳内血腫(ICH;intracerebral hemorrhage)である.ICHは専門医でも読影が難しく,診断に時間を要する為,医師の負担軽減や診断の迅速性・正確性向上の為に,脳CT画像からのICH領域自動抽出法が必要とされている.従来研究として,FCNによる手法が研究されているが,実用化には不十分で,特に高吸収を示す脳室内やクモ膜下出血領域の誤抽出が多い.本研究では,高吸収領域の過抽出を削減する脳CT画像からのICH領域自動抽出法を提案する.提案法は,ICHの解剖構造に注目し,高吸収領域の抽出,深層学習を用いたクラス分類による階層的手法を提案する.このモデルの性能を,脳室内出血を有する被験者30名を用いて評価し,感度83%,特異度91%を記録した.(著者抄録)

骨粗鬆症による高齢者脆弱性骨盤骨折は,外傷に因らず,自覚症状が顕著でなく,CT画像上でその検出が容易ではないため,発見後の治療が遅れ,転位が進行し,機能的予後回復が得られない場合がある.そこで,医師の診断能向上のため,CT画像から骨盤脆弱性骨折を自動的に検出する医師の診断支援システムが求められている.従来手法では,単純X線画像やCT画像による2次元画像解析に基づくため,3次元的に分布する微小な脆弱性骨折の検出が困難であった.そこで我々は,新しい手法として,3次元CT画像を用いて,骨表から骨内部にかけて3次元的に骨折有無を探索するボーリング調査法を模した自動骨盤骨折検出法(BSFD法;boring survey based fracture detection)を提案した.本研究では,BSFD法における特徴量抽出法について検討する.BSFD法では,3次元CT画像から骨表同値面を求め,同値面上の各点にCT値で構成される3次元特徴ベクトルを割り当て,学習済みの3次元畳み込みニューラルネットワーク(CNN)モデルにより,各点において骨折確率を求める.各点でアノテーションされた骨折領域からの3次元Chamfer距離から求められた骨折確率を用いて,CNNを学習する.ここで,3次元特徴ベクトルに関して,領域範囲の拡大を比較検討して,検出性能を評価する.提案手法を110人の被験者のデータで検証した結果,学習データではAUC0.90,評価データではAUC0.84を確認した.(著者抄録)

現在,関節リウマチの国内患者数は60万人から100万人であると推定され,毎年数万人ずつ増加している.関節リウマチの診断には,手足のX線画像から算出するmTSS(modified Total Sharp Score)が標準的な診断基準として用いられているが,診断の問題点として,医師の目視による主観的診断であること,スコアの判断箇所が多いことが挙げられている.そのため,医師の負担軽減や診断の迅速性・正確性向上のためにmTSS自動で評価するコンピュータ支援診断(CAD)システムの開発が期待されている.本研究では,手関節リウマチのmTSS推定法に関して,リッジ回帰(RR)を用いた手法と,畳み込みニューラルネットワーク(CNN)の3つのモデル(VGG16,DenseNet201,Xception)を用いた手法の比較を行う.4手法の比較のために,90名のRA患者を対象に,手のX線画像を用いた実験を行った.実験結果は,erosionのmTSS予測はRR,JSNのmTSS予測はVGG16で最も良い結果が得られた.(著者抄録)

脳画像を用いて小児の脳疾患を診断する指標の一つとして,未発達や未熟児などの脳の正常な発達の進行が評価される。しかし,脳の発達度合いを定量的に推定する方法はなく,現状では医師の経験に基づいて診断が行われている.そのため,読影可能な医師の不足,定量性の欠如が問題である.本研究では,小児の脳CT画像から脳の発達年齢を予測する手法を提案する.この手法では,CT画像から頭蓋領域を抽出し,姿勢と位置の補正を行う.本研究では,3次元畳み込みニューラルネットワーク(3D CNN)を用いてCT画像から特徴を抽出し,全結合層で脳の発達年齢を予測する新しいネットワークモデルを提案した.このモデルの性能を,0歳から3歳までの脳神経医学的に異常のない小児60人を用いて評価した.予測年齢と患者の実年齢の間の平均平方根誤差は7.80(月)で、相関係数は0.801であった.(著者抄録)

＜文献概要＞関節置換術は多くの工程で構成され,多くの手術器具が使用される.そのため器械出し看護師にとって,複雑な工程と手術器具を把握することは大きな負担であり,術中の器具の受け渡しのミス,手術時間延長による予後不良などの手術の質の低下につながる可能性がある.そこで,われわれは術中に器械出し看護師を含む医療スタッフに対し手術手順を通知する整形外科手術-人工知能ナビゲーションシステム(Orthopaedic Surgery AI Navigation System)を構築した.本稿では,人工知能技術の新しい応用として.本システムにおける手術工程自動認識法を紹介する.