CADシステム

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．
医用画像
画像情報のみを医師に提示
CT
従来
画像情報＋コンピュータの解析結果
MRI
CAD
解析
第２の意見
X線
etc.
医師による読影診断
・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
良悪性の度合いを数値化して示す
病変を疑う部位にマーキングして示す
Subtle, difficult nodules in HRCT
average
confidence
ratings by 16
radiologists
without
computer
output
with computer
output
K. Doi: Computer-aided diagnosis in medical imaging: Historical review, current status and future
potential, Computerized Medical Imaging and Graphics, 31, 198-211, 2007.
“Obvious” nodules in HRCT
average
confidence
ratings by 16
radiologists
without
computer
output
with computer
output
K. Doi: Computer-aided diagnosis in medical imaging: Historical review, current status and future
potential, Computerized Medical Imaging and Graphics, 31, 198-211, 2007.
CADの対象 （研究事例）
• 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．
• 3次元に拡張して適用する．
• 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．
テンプレート画像とその鳥瞰図
nodule画像の一例とその鳥瞰図
• 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．
-0.50
-0.25
0.0
0.25
0.50
shape indexと表面形状との関係
CADの歴史
Radiology誌
濃度分解能
4bits(16階調）
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.
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
キーワード：
電体新書
臓器疾病横断型ＣＡＤシステム
etc.
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）
日本のＣＡＤ研究
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．
世界初の商用ＣＡＤ ：ImageChecker
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
日本
• 罹患率 １／８
罹患率 １／２３
• 罹患率ピーク 70代
罹患率ピーク 40代
• 死亡率 減少傾向
死亡率 増加傾向
• 検診受診率 > 65%
検診受診率 < 20%
• 診療報酬 < $150
診療報酬 < 5000円
• CAD普及率 > 90%
CAD普及率 < 13%*
• CAD加算 有り < $17
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.
・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)
Medipattern Corp.： http://www.medipattern.com/
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
Riverain Medical Inc.： http://www.riverainmedical.com/
ＩｍａｇｅＣｈｅｃｋｅｒ ＣＴ Ｌｕｎｇ
・Hologic
旧R2Technology
・Lung CT CAD
・FDA approval: PMA
Hologic Inc.： http://www.r2tech.com/
http://www.ktvu.com/video/8810657/index.html
R2 ImageChecker CT Lung CAD Featured on FOX KTVU 2 News
大腸CAD
肝臓CAD
胸部Ｘ線ＣＴ画像における腫瘤陰影の自動検出
背景
目的
手法
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．
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
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
胸部ヘリカルCT
画像
胸部ヘリカルCT画像
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（Genetic
プレートマッチング（Genetic Algorithm
Template　Template　Matching: GATM）
GATM）
→　類円形腫瘤陰影の検出
→　類円形腫瘤陰影の検出
胸壁に沿ったテンプレートマッチング
（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
特徴量解析　→　偽陽性候補削除
腫瘤候補
検出率
Diameter(mm)
11~20
21~
Total
GATM
36/51 13/16
6/7
55/74
LWTM
10/15
1/2
17/24
7/9
72/98
Total
~10
6/7
46/66 19/23
偽陽性候補　（全偽陽性数／全症例数）
プロトタイプＣＡＤの外観
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)
Outline of the scheme
CT images
Genetic algorithm
template matching (GATM)
Lung wall
template matching (LWTM)
Decreasing false positives
Decreasing false positives
Nodule candidates
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
GA template matching
3D Gaussian distribution for template generation
pv x, y , z  m  e
An example of a chromosome of GA
x
( x 2  y 2  k  z 2 ) / n
y
z
s
001110001 110000101 01110 10
(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)
Spherical (or circular) templates
based on Gaussian distribution
Determination of
cutting position
by GA
Template
selection
by GA
Calculation of cross-correlation as similarity
Observed image
(Chest helical CT images)
ROI image
Template image
Template matching
Similarity a ,b 

n 1
i 0

n 1
i 0
(ai ma )(bi  mb )
( a i  ma ) 2

n 1
i 0
(bi  mb ) 2
ＧＡＴＭ：Ｓｈａｒｉｎｇ（適応度共有法）
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
：GAにおける個体
Sharingの例
LWTMによる腫瘤陰影の検出
False positive elimination
Candidates
detected by
GATM
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
○: True positive
×: False positive
Standard deviation
Target
Candidates
detected by
LWTM
Target
Candidates
detected by
GATM
Candidates
detected by
LWTM
Inverse difference moment (Idm) TP < FP
Entropy (Ent)
TP > FP
Area
small FP < TP < large FP
Contrast (Cont)
TP < FP
Feature
Second mean (Scm)
Second area (Scar)
Local mean (Lm)
Local standard deviation (Lsd)
Local directional variance
of pixel gradient (Ldvpg)
18 features were used to
eliminated false positives.
Inverse difference moment
Mean
○: True positive
×: False positive
Entropy
Performance
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.
True positives
Diameter (mm)
/method
False positives
<10
10~20
>20
Total
Before FPs elimination After FPs elimination
GATM
35/51
13/16
6/7
54/74
161.2 (3223/20)
2.9 (58/20)
LWTM
10/15
6/7
1/2
17/24
96.5 (1930/20)
2.6 (51/20)
Total
45/66
19/23
7/9
71/98
257.7 (5153/20)
5.5 (109/20)
White arrows: eliminated false positives. Red arrow: true positive(=nodule). Black arrow: remained false positive
検出例
胸壁に接していない陰影
胸壁に接している陰影
：医師によって指摘された腫瘤陰影
：コンピューターが検出した候補
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
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．
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
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
11
True-positive
TPF fraction
0.8
0.8
GA-FL (Az=0.95)
0.6
0.6
FL (Az=0.89)
GA-ANN (Az=0.80)
0.4
0.4
BP-ANN (Az=0.86)
0.2
0.2
微小石灰化像
良性？ 悪性？
乳房X線画像
Specificity
69%
54%
31%
77%
00
0.2
0.2 0.4
0.4
0.6
0.6 False-positive
FPF fraction
0.8
0.8　ROC解析の結果
鑑別アルゴリズムの性能
Sensitivity
BP-ANN
100%
GA-ANN
100%
FL
100%
GA-FL
100%
0
0
Accuracy
85%
77%
65%
88%
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
11
心臓超音波画像における心筋症の自動鑑別
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．
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
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
who4
Gene code
wih16 who4
wih16 who4
wih16
wih16 who4
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
鑑別アルゴリズムの性能
Method
Data set
TP
TN
FP
FN
Accuracy
Sensitivity
Specificity
BP-NN
BP-ANN
A
B
A
B
A
B
A
B
9
10
10
10
10
10
10
10
11
7
12
8
11
10
12
11
1
3
0
3
1
1
0
0
3
1
2
0
2
0
2
0
82.1%
83.0%
80.8%
88.7%
91.7%
86.4%
91.4%
91.7%
91.3%
95.9%
91.7%
100%
GA-ANN
GA-NN
Fuzzy
FL　GA-Fuzzy
GA-FL
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
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．
背景
目的
手法
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
２値化，ラプラシアンフィルタなどを応用
②
①
スライス画像
a
c
フィルタ法
２値化法
ラプラシアンフィルタ ③
２値化
b
②
２値化，膨張・収縮 ④
面積，円形度，重心位置
面積，円形度，重心位置
元画像: ラクナ梗塞(a,b,c)
２値画像
a,bは検出可能．
cは検出できない．
④
③
ラクナ梗塞候補
ラクナ梗塞の検出フローチャート
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
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%
偽陽性候補　2.7個/画像
89%
0.4個/画像
フィルタ処理画像
２値画像
cが検出可能に．
腹部ＣＴ画像における肝臓領域の自動体積測定
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．
目的
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．
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画像における未破裂性脳動脈瘤の自動検出
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．
目的
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．
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