Deep Learningによる医用画像解析

・頭部CT画像から頭蓋内出血を推論・検出例

公開データ25,000例を使い、深層学習を行いました。学習後、教師データに使っていない新しい頭部CT画像の出血有無と出血種類分類の推論を評価しました。

ROC-AUC評価の結果、出血有無の判断確率は97.7％。出血種類の各分類についても96～99%台（下図）と高精度を達成しています。

・出血箇所と出血種類を推論した事例

上の画像では、左がオリジナルのCT画像、中右は出血箇所としてコンピュータが注目している領域をヒートマップでオリジナル画像にオーバーレイさせた表示を行っています。

この例では出血位置は３箇所あり、その全ての箇所を検出しています。

下の画像は、同様に、左がオリジナルのCT画像、右は推論した出血箇所をヒートマップでオリジナル画像上にオーバーレイさせた表示です。脳室内に出血箇所を推論しています。

２．眼底写真から加齢黄斑変性症(AMD)の推論例

眼底写真の公開データ400例を使い、深層学習を行いました。学習に使用していない眼底写真でのＡＭＤ推論確度は90.1％(AUC値)を達成しました。

次の画像は、左がAMDと判断、右がAMDではないと判断した画像群です。

次の画像は、実際に疾患領域の推論を行っている例です。右側のヒートマップ表示で赤領域が患部と推論した領域です。

次の図は、ディープラーニングの処理フローになります。

データ群に対して事前処理を行い、学習モデル構築、学習実行を行っています。そこから開発した推論エンジンは、アプリケーションに組み込み利用可能です。