医用画像情報イントロダクション ver.1 0_20160726

+

医用画像情報を探求する。医用画像解析技術者トレーニング資料（イントロダクション） ver.1.0MIAT training course “Introduction”Visionary Imaging Services, Inc.

+さあ、学び始めましょう

撮影技術学医用画像情報学撮影機器学

医療情報システム学

医療情報学

放射線医学医学

エンジニアリング

© Visionary Imaging Services, Inc.

+

はじめに

画像処理や解析はそのプラットフォームとなるアプリケーションが必要です。医用画像情報分野は最終的にアプリケーションをアウトプットするため、その開発プロセスを学ぶことができます。

ソースを生成するモダリティソースからの情報の抽出抽出した情報の応用


このチュートリアルが、あなたにしかできない画像処理 / 解析をデザインする一助になれば嬉しいです。

+

医用画像情報を探求するということ

イメージングモダリティを理解するどうやって画像から情報を抽出するかを考える抽出した情報を応用する方法を考える生物医学において重要な何かのデータとイメージングとの統合を考える

→ 医用画像情報分野は、医療情報システムに保存されている、あるいは、イメージングモダリティから生成されるデータを応用するための工夫を考える分野のひとつです。


+

医用画像情報を探求する先にあるミッション→ 増え続けるデータを効率的に利活用するために、人をサポートする、あるいは、人を成長させる機能をもつアプリケーションの開発

基礎的な領域画像処理や解析画像特徴抽出画像メタデータ CBIR 画像データから知識リソースへのアクセスやリンク推論やモデリング

臨床的な領域画像データベース、検索エンジン CAD 意思決定支援

開発可能なアプリケーションの例


+目次• メディカルイメージングを少しだけ• 開発可能なアプリケーション• なぜわたしたちはコンピュータの助けが必要なのか？• コンピュータが画像を理解するためにわたしたちはどうすればいいだろう？

プレースホルダーまでドラッグするかアイコンをクリックして図を追加



+メディカルイメージングを少しだけ


+広義のバイオメディカルイメージングいろんな技術があります。この他にどんなイメージングがあるでしょう？

CT

臓器スケール（マクロ）細胞スケール分子 /原子スケール

Anatomical

PET/SPECT

原子イメージング

機能的 MRI

Functional

ダイナミック画像光画像病理画像 DNA イメージング

トラクトグラフィ

マイクロ -CT

プロテインイメージング

細胞イメージング© Visionary Imaging Services, Inc.

+医用画像は物理的な原理を利用して生成されています。

上記の電磁波（媒質なしでも伝播）とは別に、音波（媒質ありで伝播）も利用されています。PET/SPECT

レントゲンCT 光イメージング MRI

γ 線


+医用画像は生体の様々な正常 / 異常を知らせてくれます。• それぞれの画像には得手不得手があるため、いいところを組み合わせて体内の状態を調べます。


+画像からどんなことが分かるのでしょうか？画像の種類は何か？

X-ray, CT, MRI, etc.

解剖脳、肺、肝臓、、

病理腫瘍 or 、、

病態生理異常な組織の外見や機能


+画像に含まれている何かは、それを生じさせた何かを追及することで学ぶことができます。

• 生物学的な異常を推論するために画像から特徴を探すことができます。時間軸© Visionary Imaging Services, Inc.

+ミニーおばさん年配の女性いつも楕円形のメガネをかけていますいつもピンクのワンピースを着ていますいつも同じハンドバッグを持っていますいつも真珠のネックレスを着けています

このような特徴を聞けば、誰もが「ミニーおばさん」と思うでしょう。


+なんでもルーティーンが決まっているミニーおばさんのように、画像も典型的なパターンを示してくれます。（もちろんパターン化が難しい所見もあります。）

認知症

HCCさまざまな種類の病変を診断できます。


+このような医用画像を人の責任のもとで評価します。肝臓内に腫瘍がある大きさは、濃度は、形は、造影パターンは、→診断は「〜〜〜」• 医師や経験豊富な放射線技師であれば、特徴的な情報を得た時点で画像を見なくても病変が想像できてしまいます。• 逆に、このような情報がコンピュータ処理できれば、人と同じような評価がコンピュータでもできるようになるかもしれません。• このようなデータは今後どのように研究されていくのでしょうか。


+”医用画像を理解する”というアプローチへ

コンピュータの基礎アナログ画像とディジタル画像画像処理画像の定量評価医療情報システム

これまでの医用画像情報これからの医用画像情報

人の頭の中やコンピュータ処理できない形式のデータで蓄積されてきた画像情報をコンピュータが理解できる形で処理できるようにすることで、よりよい診断や治療のためのサポートができるようになってきました。

画像データの取り扱いが中心

生成→情報抽出→分析→応用

これまでの内容に加えて、医用画像から解釈される特徴を応用する分野に。© Visionary Imaging Services, Inc.

イメージング機器

画像の可視化

画像処理 (Filtering, Registration, Segmentation)

機械学習、ルール・知識リソースマネージメント

レポーティング

アプリケーション (CAD, Expert System, 検索エンジン etc)

画像の解釈（読影）

Post-Processing （最終的な読影のための画像処理）

画像解析（計測、クライテリアに沿った判定や評価）

データアーカイブ意味的特徴抽出

定量的特徴抽出

全体像


+重要な化学反応

メディカルイメージング

メディカルイメージング分野と人工知能分野との化学反応は必須です。

人工知能


+開発可能なアプリケーションここでは、一例をご紹介していきます。


+病変の自動検出 David Hsu, Vasudev Nambakam, Dana

Yeo, 2013

Radbound umc from slideshare

Mayo and IBM

肺の結節を自動検出

脳動脈瘤を自動検出


+病変の良悪性判別（ CAD ）• これらは、悪性でしょうか？• サイズは？タイプは？位置は？・・・いろいろな情報でクラスタリングを行います。• 真の確定診断は病理での判断になるかもしれませんが、前向き /後ろ向きな研究の結果と比較することで、陽性である確率、偽陽性である確率を数値化できます。• がんだけでなく、いろいろな疾患で使える手法です。

• Lung nodule

• Mass(Breast)


+自動領域抽出（セグメンテーション） - 体の特定の部位を抽出 -

• From Shimizu lab image gallery

• From Freesurfer site© Visionary Imaging Services, Inc.

+CBIR （疾患ごとの画像の Q/R など）

Jessica faruque et al:J Med Imaging (Bellingham). 2015 Apr; 2(2): 025501.

類似度を算出


+

ここまで見てきたようなアプリケーションは、この分野の科学者をワクワクさせるものでした。

次のスライドから、このようなアプリケーションの存在意義について、少しだけ触れていきたいと思います。

→ しかし、実際の現場で必要なのでしょうか？現場の方々や、他の分野の科学者はこのようなアプリケーションを本当に使ってくれるのでしょうか？


+なぜわたしたちはコンピュータの助けが必要なのか？（そもそも、、。）前提に目を向けてみましょう。


+①膨れ上がり続けるデータ量診断のための画像

医療情報システムが普及画像枚数増加マルチモダリティ化

考えなければならない多様性生物医学的知識の体系的な理解と知識資源の活用（参考書、論文、臨床データ、研究データ）


+②すべてを知る人はいません。人が何かを覚えるには時間がかかります。たくさんのことを知ることができても、人は忘れる生き物。


+③ひとはミスをすることがあります。ヒューマンエラーはなくなりません。医療のリスクを完全になくすには、「医療をやらない」以外ありません。（そんなことはありえません・・・。）

• Lewin の法則B=f(P, E)

• Behavior• Person• Environment

人間と環境との関係がうまく合致しなければ、人間・環境それぞれの思った通りにはいかない。


+

医用画像分野に目を向けて、もう少し具体的な課題を見てみます。

本当はやりたいが物理的に、統計的に難しいと思われることもある・・・。画像内（ 1 スライス）の情報の増加観察するには多すぎる画像の処理画像解釈のばらつきの低減


+①画像内（ 1 スライス）の情報の増加イメージングモダリティ : MRI

患者の体位 : 仰臥位断面 :横断面テクニック : T1w Gd+

解剖位置 : 脳異常所見 : 腫瘍異常所見の特徴 :

• サイズ： 2.6cm

• 形状：不整形• 信号強度：まだらに高信号領域

この図に示すラインやポリゴンのある領域を関心領域（ Region Of Interest:ROI ）と呼びます。


+②観察したい画像や把握したい情報の増加とその処理の課題スライス枚数は増加

スライス厚、 10mm(50 slice)→5mm(100 slice)→1mm(500 slice)

シーケンスやプロトコルは増加傾向多断面疾患ごとにあるシーケンスの種類

マルチモダリティによる診断アプローチへの変化例えば CT のみだった検査→ CT+MRI, CT+PET/SPECT, CT+ECHO ・・・

多面的な情報の把握マクロな画像だけでなく、分子レベル、細胞レベルの情報、その他診療記録との関係を考慮（すでに遺伝子レベルも）


+③画像解釈のばらつき画像診断する医師も人間です。

所見の見落としのリスク誤診のリスク

画像検査する担当者も人間です。なにか変かも？と技師さんや看護師さんが気付いてくれるかどうかは場合によります。

WE Barlow, et al; JNCI 96(24):1840-50, 2004


+コンピュータを使えば、いくらか質が上がりそうです。そのためにはコンピュータに画像を理解させる必要があります。わたしたちは何から手をつけていけばいいでしょうか？1. 医用画像にはどんな情報が含まれているかを機械が読み込めるようにする2. 意味的に抽出したデータを蓄積し、そのデータから意思決定に役立つ情報を抽出する3. アプリケーション化を目指す


+医用画像情報を機械が読み込めるようにする。• 臨床情報、画像データをデータベースの引き出しにしまっておいても、宝探しはできません。• 画像の特徴を機械に処理できるように工夫してあげなければなりません。

画像の特徴とは？画像の領域の情報

アプリケーションソフトによって処理できるポイント、線、角度、円、任意形状、画像の特徴に関するテキストなどの特定の手法で表される

2 つのタイプ定量的な特徴：検査条件、テクスチャ、計測値を使ったなんらかのアルゴリズムによる計算処理結果など意味的な特徴：ひとが観察したもの、説明したもの


+各特徴の具体的な抽出方法定量的特徴

画像の特定の領域を処理できるコンピュータプログラムで抽出意味的特徴

医師が画像から解釈する人が記録する構造化データによるキャプチャ


+定量的な特徴


+定量的な特徴の例 ROI ライン

ライン長さ : 2.667cm ROI ポリゴン

面積： 3.945cm2 信号強度（ Ave ） = 383.3 信号強度（ SD ） = 88.4 周囲長 = 8.03cm ・・・

それぞれの情報は一次元0


+

定量的な特徴の応用

定量的な特徴の応用例定義済み画像特徴を利用する機械学習によるクラスタリング


+定量的な特徴の応用例定義済みの人造の画像特徴で比較する• Shape:• Edge• Texture （ scale, directions ）

QIBA CTボリューメトリグループ：Reference Image Dataset for CT Volume with

known Ground truth


+定量的な特徴の応用例機械学習によるクラスタリング脳の視覚処理を模した階層的な処理入力されたデータから直接的に特徴を計算低い階層のものから高いレベルの特徴（レイヤ）を定義し、抽象度の高いものを出力する


+意味的な特徴


+意味的な特徴ひとが画像について解釈した何か Ontology （構造化データ）で説明される（多次元情報）形式はいくつもある


+構造化されていない画像データは二次利用が困難非構造化データ

暗黙的なデータ機械可読に制限あり形式はバラバラ画像、検査、テスト結果など

構造化データ意味が明示されたデータ機械可読属性や統制用語の形式化臨床データ、生物学的データ

肝右葉に 4×3cm 大の転移と思われる低濃度の腫瘍があります。

人は文章（非構造化データ）を読めばわかるが、機械はわからない

臓器 = 肝臓位地 = 右葉診断名 = 転移確信度 = 高い

機械がわかるように構造化© Visionary Imaging Services, Inc.

+構造化データを使うことで、機械処理ができます。概念を構造化すれば、このように整理させることができます。

引用元： MEDICINE 2020: PRECISION PRACTICE WITH BIG DATA


+意味的な特徴はオントロジーの知識表現によって体系化され、多次元の特徴ベクトルとして表すことができます。• パターン認識では、特徴の選択が重要となります。意味的な特徴は、キーとなる特徴を体系化しているため、疾患のクラスタリングの助けになります。

輪郭信号強度

造影効果

解剖学的位置

サイズ

既往歴家族歴

• 単純に分類できないものでも、意味的な特徴を比べることで分類できるようになります。


+意味的な特徴は Ontology の構造を利用して抽出できます。オントロジーが提供するもの :

統制用語相互運用性のある属性のシンタックスクラスとクラスの関係付け

人間と機械が可読クラスとクラス間の属性関係利用した柔軟な情報リンク

条件の複雑なクエリ・リトリーブを可能に機械が処理する推論を可能に


+RadLex （ RadLex Playbook 含む）放射線医学的なオントロジー（詳細は検索してください）


+JJ1017 オントロジー日本における画像検査オントロジー

• 画像検査や放射線治療の手技情報をオントロジーとして体系化した構造化データ

T Kobayashi et al:Development of a Knowledge-based Application Utilizing Ontologies for the Continuing Site-specific JJ1017 Master Maintenance


+

意味的な特徴の応用

検索性の向上情報をまとめる意思決定支援他のデータとの統合と Radiogenomics


+検索性の向上画像の意味的なマークアップを活用していろいろな側面から画像を検索できるようになります。（前述の CBIR のように）

WebMedSA: A Web-based Framework for Segmenting and Annotating Medical Images using Biomedical Ontologies

キーワード：DICOM サーバ×SPARQL


+情報をまとめるキー情報をまとめたテンプレートを使って、必要な情報をまとめることができます。

煩雑な情報を標準化（全体として一貫した考えに沿う）ミッシングピースの防止（取りこぼしが無いように）

• 情報を効率的に受け取る例： Google knowledge graph

医用画像は DICOM を使うことで画像情報を標準的な方法で利用できます。

• 構造化画像診断レポート


+意思決定支援意味的な特徴とベイジアンネットワークを利用して良性・悪

性の鑑別支援や、疾患の鑑別支援ができるようになります。

このインターフェースで定義されている概念間の関係を考慮しながら、統計的な指標を算出することができます。

Biomedical Informatics: Computer Applications in Health Care and Biomedicine, p322.


+他のデータとの統合と Radiogenomics キー情報をまとめたテンプレートを使って、必要な情報をまとめることができます。統合例として、乳がんの遺伝子発現解析結果と画像データとの関連を調べる研究をご紹介します。

病理

ラボデータ

患者背景S Yamamoto et al:Radiogenomic Analysis of Breast Cancer Using MRI: A Preliminary Study to Define the Landscape

LinkNext…

様々なデータを統合した考察が可能に


+現時点での課題


+

医用画像情報を追求するプロセスの中で課題はあります。

イメージングモダリティを理解するどうやって画像から情報を抽出するかを考える抽出した情報を応用する方法を考える生物医学において重要な何かのデータとイメージングとの統合を考える

目先の課題は、どうやって画像から情報を抽出するか？

プロセス


+ひとだけでなく機械がデータを理解できるようにするための工夫が課題になっていす。

必要なデータは構造化データへ診断レポートは構造化レポートに画像上の記録はマークアップ（柔軟に機械

処理可能にするためのオブジェクト化）ができる ROI に

セマンティックなデータ（オントロジーなど）が標準的なシンタックスや統制用語として普及オントロジーの開発と普及が必要

全体的に見ると、この辺りの領域の目先の課題です。

現状の画像特徴抽出の課題


+まとめ

医用画像情報を探求するということイメージングモダリティを理解するどうやって画像から情報を抽出するかを考える抽出した情報を応用する方法を考える生物医学において重要な何かのデータとイメージングとの統合を考える

医用画像情報のミッション1. 医用画像にはどんな情報が含まれているかを機械が読み込めるようにする2. 意味的に抽出したデータを蓄積し、そのデータから意思決定に役立つ情報を抽出する3. アプリケーション化を目指す

医用画像情報で考えることと今考えられているミッションを振り返りましょう。


+

最後に

ぜひ医用画像情報を自分の力にして下さい。この分野の研究は、しばしば古典的に思えることもあります。そういう想いが頭をよぎった時は、自分の常識を疑って取り組んでみるといいかもしれません。

• 常識とは 18歳までに身に付けた偏見のコレクションのことを言う


+MIAT トレーニング講座「イントロダクション」はこれで終了です。

お疲れ様でした。

次回から、放射線医学領域のイメージングモダリティを学んでいきましょう！（次回講義のご連絡）予習： edX （ UQx BIOIMG101 ）

Have Fun.


+

ご質問は以下の担当者へ小林達明（ Kobayashi Tatsuaki ）[email protected]




医用画像情報イントロダクション ver.1 0_20160726

Education