PowerPoint プレゼンテーション

コンピュータ支援診断とは

コンピュータ支援診断

_{computer-aided diagnosis}

（

_CAD）

とは，コンピュータが画像情報の定量化およ

び分析を行い，その結果を“第２の意見”（

_second

opinion）として医師が画像診断へ積極的に利用する

ことである．

従来 CAD 解析 第２の意見 医師による読影診断 画像情報のみを医師に提示 画像情報＋コンピュータの解析結果 CT MRI X線 _etc. 医用画像

・ＣＡＤに期待されるもの

診断の“

質

と

生産性

”の改善

質

： 診断の正確度や再現性

生産性

_{： 診断に要する時間の短縮}

・ＣＡＤを構築するために必要なもの

医学領域

対象病変に関する医学所見

医師の画像診断ロジック

画像サンプル（大量に）

工学領域

画像工学，統計学，パターン

認識，人工知能

コンピュータ情報処理，プログ

ラミングスキル

ＣＡＤの種類

Computer Aided

Detection

→ CADe 存在診断支援

Computer Aided

Diagnosis

→ CADx 鑑別診断支援

病変を疑う部位にマーキングして示す

Subtle, difficult nodules in HRCT

K. Doi: Computer-aided diagnosis in medical imaging: Historical review, current status and future

potential, Computerized Medical Imaging and Graphics, 31, 198-211, 2007.

average

confidence

ratings by 16

radiologists

without

computer

output

with computer

output

“Obvious” nodules in HRCT

K. Doi: Computer-aided diagnosis in medical imaging: Historical review, current status and future

potential, Computerized Medical Imaging and Graphics, 31, 198-211, 2007.

average

confidence

ratings by 16

radiologists

without

computer

output

with computer

output

•

noduleの形状を凸状のガウス分布と仮定し，

リングフィルタ・ディスクフィルタの最大値の差

を出力値とする．

•

テンプレート画像と

noduleの類似度を相互相関係数

によって計算して

_{noduleの検出を行う方法．}

•

テンプレートは

3次元のガウス関数により作成する．

•

3次元ボリュームデータより3次元曲面形状を

求めることにより

_{noduleを検出する方法．}

•

shape indexとは3次元曲率による曲面の形状

指標であり，球状に近い形状をもつ

noduleと円

柱状に近い形状をもつ血管の

_{shape indexの}

違いを利用する．

shape indexと表面形状との関係

-0.50 -0.25 0.0 0.25 0.50

CADの歴史

computer automated diagnosis

computer aided diagnosis

R.M. Nishikawa: Current status and future directions of computer-aided diagnosis in mammography,

Computerized Medical Imaging and Graphics, 31, 224-235, 2007.

Radiology誌

濃度分解能

4bits(16階調）

日本のＣＡＤ研究

文部科学省科学研究費補助金 特定領域

「多次元医用画像の知的診断支援」

平成

15～18年度

研究項目

・人体内部構造の三次元モデリング

・ＣＡＤの汎用化と高度化

・可視化と実時間検査支援

・モダリティ融合ＣＡＤの開発

・ＣＡＤの基盤技術

研究代表者

・小畑秀文（東京農工大学・学長）

研究分担者

・田村進一（大阪大学）

・仁木

登（徳島大学）

・木戸尚治（山口大学）

・藤田広志（岐阜大学）

・杉本直三（京都大学）

・末永康仁（名古屋大学）

・本谷秀堅（名古屋工業大学）

・池田

充（名古屋大学）

・清水昭伸（東京農工大学）

キーワード：

電体新書

臓器疾病横断型ＣＡＤシステム

etc.

世界初の商用ＣＡＤ

：ImageChecker

・

R2 Technology Inc.

・

ImageChecker

・Film-based Mammography

・FDA approval in 1998

・

2000年に日本の薬事承認．

国内の商用ＣＡＤ：富士フィルム

CADの使い方

CADは検出支援システ

ムで、

医師による読影

実施後に使用される

も

のである。

Fuji Film： http://www.fujifilm.co.jp/corporate/news /article/ffnr0185.html

マンモグラフィ検診の日米比較

•

アメリカ

•

罹患率 １／８

•

罹患率ピーク

70代

•

死亡率 減少傾向

•

検診受診率

> 65%

•

診療報酬

< $150

•

CAD普及率 > 90%

•

CAD加算 有り < $17



日本



罹患率 １／２３



罹患率ピーク

40代



死亡率 増加傾向



検診受診率

< 20%



診療報酬

< 5000円



CAD普及率 < 13%

*



CAD加算 無し

*FFDMの台数に対するCADの導入率（日本のCAD/FFDMの導入数30/240.2007）

ＣＡＤに対する米国医師の言葉



一度

CADを使うと，99％のドクターがCADを

手放せなくなる



CADはまだまだ安価ではなく，改善すべき点

もあるかもしれないが，自分が見落としてし

まった癌を見つけてくれることがある．

CADに

よってたった

_{1 人の癌でも，自分の代わりに}

見つけてくれることができれば，それはとても

素晴らしい技術である

土井邦雄：特別講演 乳癌検診におけるコンピュータ支援診断（CAD）：現状と将来の可能性．第16回日本乳癌検診学会総会，（2006）． 上田裕子，マンモグラフィ用CAD，日本放射線技術学会雑誌，63(12)，2007

Ｂ－ＣＡＤ：乳腺超音波ＣＡＤ

Medipattern Corp.： http://www.medipattern.com/

・

Medipattern Corp.

・世界初の商用

乳腺超音波ＣＡＤ

・

CADe ＆ CADx

良悪性鑑別

・

FDA (USA)

CE (EU)

CMDCAS (Canada)

SFDA (China)

世界初の商用胸部ＣＡＤ：

RapidScreen

・

Deus Technologies

現Riverain Medical

・

Chest X-Ray CAD

・

FDA approval: PMA

・

9-30mm nodule

検出能改善に

臨床効果有り

ＯｎＧｕａｒｄ：胸部単純Ｘ線ＣＡＤ

・

Riverain Medical

旧Deus Technologies

・

Chest X-ray CAD

・

FDA approval: PMA

・

9-30mm nodule

検出能改善に

臨床効果有り

ＩｍａｇｅＣｈｅｃｋｅｒ

ＣＴ Ｌｕｎｇ

Hologic Inc.： http://www.r2tech.com/

http://www.ktvu.com/video/8810657/index.html

・Hologic

旧R2Technology

・

Lung CT CAD

・FDA approval: PMA

胸部Ｘ線ＣＴ画像における腫瘤陰影の自動検出

目的

_{画像情報から肺腫瘤陰影を自動的に検出するアルゴリズムの構築}

背景

肺がん

による死亡者は種々のがんの中でもっと多い．

肺がんの診断には

胸部Ｘ線画像

が用いられてきたが，近年は

ＣＴによる肺がん検診

が

始まっている．胸部ＣＴによる肺がん検査は

肺がんの早期発見

に非常に有用である．

ＣＴの１検査では

大量の画像が発生

（

30枚以上）し，

医師の読影労力は増大

傾向にある．

肺がんを疑う重要な画像所見には，

腫瘤陰影

がある．

手法

テンプレートマッチング（ＴＭ），遺伝的アルゴリズム（

GA）などを応用

プロトタイプＣＡＤの外観

胸部ヘリカル 胸部ヘリカルCTCT画像画像 特徴量解析　→　偽陽性候補削除 特徴量解析　→　偽陽性候補削除 胸壁に沿ったテンプレートマッチング 胸壁に沿ったテンプレートマッチング （

（Lung Wall Template Matching :Lung Wall Template Matching : LWTM LWTM）） 　　→　 　　→　半円形腫瘤陰影の検出半円形腫瘤陰影の検出 遺伝的アルゴリズムに基づいたテン 遺伝的アルゴリズムに基づいたテン プレートマッチング（

プレートマッチング（Genetic AlgorithmGenetic Algorithm Template

Template　　Matching: Matching: GATMGATM）） 　　→　

　　→　類円形腫瘤陰影の検出類円形腫瘤陰影の検出

腫瘤候補

腫瘤候補

Before decreasing After decreasing GATM 161.2 (3223/20) 16.7 (333/20) LWTM 96.5 (1930/20) 14.2 (283/20) Total 275.7 (5153/20) 30.8 (616/20) Diameter(mm) ~10 11~20 21~ Total GATM 36/51 13/16 6/7 55/74 LWTM 10/15 6/7 1/2 17/24 Total 46/66 19/23 7/9 72/98 検出率 偽陽性候補　（全偽陽性数／全症例数）

Outline of the scheme

GATM: To detect spherical

(circular) nodules.

LWTM: To detect

semicircular

nodules.

A spherical (circular) nodule within the lung area

A semicircular nodule on the lung wall

CT images

Nodule candidates

Genetic algorithm

template matching (GATM)

Lung wall

template matching (LWTM)

Decreasing false positives

Decreasing false positives

CT images

Nodule candidates

Genetic algorithm

template matching (GATM)

Lung wall

template matching (LWTM)

Decreasing false positives

Decreasing false positives

GA template matching

n z k y x z y x

m

e

pv

_{, ,}





( 2 2  2)/

An example of a chromosome of GA

x

y

z

s

(x, y, z, s) = (113, 389, 14, 2)

x: 9 bits (Max value 512)

y: 9 bits (Max value 512)

z: 5 bits (Max value 32)

s: 2 bits (Max value 4)

0 0 1 1 1 0 0 0 1 1 1 0 0 0 0 1 0 1 0 1 1 1 0 1 0

Spherical (or circular) templates based on Gaussian distribution

Determination of cutting position by GA Template selection by GA

ROI image Template image Observed image

(Chest helical CT images)

Template matching







           1 0 2 1 0 2 1 0 , ) ( ) ( ) )( ( n i i b n i i a b i a n i i b a m b m a m b m a Similarity

Calculation of cross-correlation as similarity

3D Gaussian distribution for template generation

ＧＡＴＭ：Ｓｈａｒｉｎｇ（適応度共有法）

：

GAにおける個体

同じような解候補を表す個体が

多くなったときに，それらの個体

間で適応度を共有する．

（適応度を下げる）

↓

・局所解を回避できる

・複数の解候補が得られる

Sharingの例

○: True positive ×: False positive Entropy In ve rs e di ff er enc e m om ent ○: True positive ×: False positive Entropy In ve rs e di ff er enc e m om ent

False positive elimination

Target Feature Tendency Mean TP < FP Standard deviation (Sd) TP < FP

Area small FP < TP < large FP Circularity (Cir) TP > FP

Irregularity (Irr) TP < FP Contrast (Cont) TP < FP Max mean CT value (Mmct) TP < FP Directional variance

of pixel gradient (Dvpg) TP > FP Directional cross-correlation

of pixel gradient (Dcpg) TP > FP Inverse difference moment (Idm) TP < FP Entropy (Ent) TP > FP

Area small FP < TP < large FP Contrast (Cont) TP < FP Candidates detected by GATM Candidates detected by LWTM

Target Feature Tendency Mean TP < FP Standard deviation (Sd) TP < FP

Area small FP < TP < large FP Circularity (Cir) TP > FP

Irregularity (Irr) TP < FP Contrast (Cont) TP < FP Max mean CT value (Mmct) TP < FP Directional variance

of pixel gradient (Dvpg) TP > FP Directional cross-correlation

of pixel gradient (Dcpg) TP > FP Inverse difference moment (Idm) TP < FP Entropy (Ent) TP > FP

Area small FP < TP < large FP Contrast (Cont) TP < FP Candidates detected by GATM Candidates detected by LWTM

Target Feature Tendency Mean TP < FP Standard deviation (Sd) TP < FP

Area small FP < TP < large FP Circularity (Cir) TP > FP

Irregularity (Irr) TP < FP Contrast (Cont) TP < FP Max mean CT value (Mmct) TP < FP Directional variance

of pixel gradient (Dvpg) TP > FP Directional cross-correlation

of pixel gradient (Dcpg) TP > FP Inverse difference moment (Idm) TP < FP Entropy (Ent) TP > FP

Area small FP < TP < large FP Contrast (Cont) TP < FP Candidates detected by GATM Candidates detected by LWTM Mean St an dar d dev ia ti on ○: True positive ×: False positive Mean St an dar d dev ia ti on Mean St an dar d dev ia ti on ○: True positive ×: False positive Local mean (Lm)

Local standard deviation (Lsd) Local directional variance of pixel gradient (Ldvpg) Target Feature

Second mean (Scm) Second area (Scar) Candidates detected by GATM Candidates detected by LWTM Local mean (Lm)

Local standard deviation (Lsd) Local directional variance of pixel gradient (Ldvpg) Target Feature

Second mean (Scm) Second area (Scar) Candidates detected by GATM Candidates detected by LWTM Target Feature Second mean (Scm) Second area (Scar) Candidates detected by GATM Candidates detected by LWTM

18 features were used to

eliminated false positives.

Performance

White arrows: eliminated false positives. Red arrow: true positive(=nodule). Black arrow: remained false positive

Detection rate in term of method and size in mm (successfully detected/total count) and the number of FPs

(ratio of FPs/case) obtained from 20 cases (normal 5, abnormal 15) with 98 nodules.

<10 10~20 >20 Total GATM 35/51 13/16 6/7 54/74 Diameter (mm) /method LWTM 10/15 6/7 1/2 17/24 Total 45/66 19/23 7/9 71/98 Before FPs elimination 161.2 (3223/20) 2.9 (58/20) After FPs elimination

True positives False positives

96.5 (1930/20) 2.6 (51/20) 257.7 (5153/20) 5.5 (109/20) <10 10~20 >20 Total GATM 35/51 13/16 6/7 54/74 Diameter (mm) /method LWTM 10/15 6/7 1/2 17/24 Total 45/66 19/23 7/9 71/98 Before FPs elimination 161.2 (3223/20) After FPs elimination

True positives False positives

96.5 (1930/20) 257.7 (5153/20)

検出例

：コンピューターが検出した候補

：医師によって指摘された腫瘤陰影

胸壁に接していない陰影

検出できなかった例

肺尖部，肺底部

14

淡い

,扁平

7

縦隔に接触

2

気管支部の血管周辺

2

粗大（

30mm以上）

1

Total

26

乳房Ｘ線画像における微小石灰化像の自動良悪性鑑別

目的

_{画像情報から微小石灰化像の良悪性鑑別を自動的に行うアルゴリズムの構築}

背景

乳がん

の罹患率は世界中で増加している．

乳がんの診断には

乳房Ｘ線画像

が用いられる．

乳がんを疑う重要な画像所見には，

腫瘤陰影

と

微小石灰化像

がある．

良悪性

を精度良く鑑別することは非常に重要である．

乳房

X線画像

微小石灰化像

良性？ 悪性？

手法

ニューラルネットワーク（

ANN），ファジイ推論（FL），遺伝的アルゴリズム（GA）などを応用

ROC解析の結果 Sensitivity：悪性を悪性と正しく判断した割合 Specificity：良性を良性と正しく判断した割合 Accuracy： SensitivityとSpecificityの平均 0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1 FPF T P F GA-FL (Az=0.95) FL (Az=0.89) GA-ANN (Az=0.80) BP-ANN (Az=0.86) 0 　 0.2 　 0.4 　 0.6 　 0.8 　　 1 0 0.2 0.4 0.6 0.8 1 True -po sitive frac tion False-positive fraction

Sensitivity Specificity Accuracy BP-ANN GA-ANN FL GA-FL 100% 69% 85% 100% 54% 77% 100% 31% 65% 100% 77% 88% 鑑別アルゴリズムの性能

Method Data set TP TN FP FN Accuracy Sensitivity Specificity A 9 11 1 3 BP-NN B 10 7 3 1 82.1% 83.0% 80.8% A 10 12 0 2 GA-NN B 10 8 3 0 88.7% 91.7% 86.4% A 10 11 1 2 Fuzzy _{B 10 10 1 0} 91.4% 91.7% 91.3% A 10 12 0 2 GA-Fuzzy _{B 10 11 0 0} 95.9% 91.7% 100% BP-ANN GA-ANN 　　FL　 GA-FL

心臓超音波画像における心筋症の自動鑑別

目的

_{画像情報から心筋症の鑑別を自動的に行うアルゴリズムの構築}

背景

心臓疾患

は死亡者の多い３大疾患の一つである．

心臓疾患の診断には

超音波画像

が用いられている．

定量的

・客観的な診断が求められている．

手法

ニューラルネットワーク（

_{ANN），ファジイ推論（FL），遺伝的アルゴリズム（GA）などを応用}

Input layer Hidden layer Output layer

w_ho4 w_ih16 who4 wih16 w_ho4 w_ih16 who4 wih16 Gene code

Weighting coefficient adjusting

心臓超音波像（拡張末期） 心臓超音波像（収縮末期）

遺伝的アルゴリズムを応用したニューラルネットワークによる鑑別法

ファジィ推論による鑑別方法

脳ＭＲ画像における脳梗塞（ラクナ梗塞）の自動検出

目的

画像情報からラクナ梗塞を自動的に検出するアルゴリズムの構築

背景

脳血管疾患

は死亡者の多い３大疾患の一つである．

脳血管疾患の診断には

頭部ＭＲＩ

が用いられている．

脳血管疾患の重要な所見には，

脳梗塞

と

未破裂性脳動脈瘤

がある．

ラクナ梗塞は多発性の梗塞であるため自動検出のメリットは大きい．

手法

２値化，ラプラシアンフィルタなどを応用

　２値化法：孤立したラクナ梗塞を検出 フィルタ法：他の高輝度領域付近のラクナ梗塞を検出 ラクナ梗塞候補 スライス画像 ２値化 面積，円形度，重心位置 ラプラシアンフィルタ ２値化，膨張・収縮 面積，円形度，重心位置 フィルタ法 ２値化法 ② ③ ④ ラクナ梗塞の検出フローチャート 元画像:ラクナ梗塞(a,b,c) ２値画像 a b c a,bは検出可能． cは検出できない． ② ２値画像 フィルタ処理画像 cが検出可能に． ③ ④ ① 10症例（81枚：ラクナ数44箇所）に適用した結果 検出条件Ａ 検出条件Ｂ 　検出率　 　100% 　89% 　偽陽性候補　 2.7個/画像 0.4個/画像

腹部CT画像から肝臓領域を自動抽

出し，肝臓体積を自動計測するアル

ゴリズムの構築．

目的

腹部ＣＴ画像における肝臓領域の自動体積測定

頭部ＣＴＡ画像における未破裂性脳動脈瘤の自動検出

背景

肝臓疾患

の診断には

腹部ＣＴ画像

が用いられる．

肝臓の体積

は肝臓疾患の診断にお

いて重要な情報である．

手法

ヒストグラム解析，２値化，

ニューラルネットワークなどを応用

肝臓を含む腹部ＣＴ画像 肝臓領域抽出過程の画像

頭部CTＡ画像から血管領域を自動

抽出・脳動脈瘤を自動検出するア

ルゴリズムの構築．

目的

背景

脳動脈瘤

の診断には

頭部ＭＲＡ

と

頭部ＣＴＡ

が用いられる．

脳動脈瘤

は脳血管疾患において非

常に重要な所見である．

手法

空間フィルタ，２値化，細線化，

多断面解析などを応用

頭部ＣＴＡのボリュームレンダリング画像 主要血管の抽出結果画像