Cervical lesion classification has gained the attention of researchers because of its importance in the mitigation and treatment of cervical cancer. Most machine learning approaches have addressed the task under the single and fully labeled assumption; however, such assumptions do not reflect the nature of cervical lesions in a clinical setting. In this study, we adapt a semi-supervised learning algorithm on a partially labeled multi-label cervigram dataset by treating it as positive-unlabeled. We simultaneously trained a classifier, and a propensity model to simulate the clinical bias in labeling lesions. Results were compared to that of a supervised learning model, showing improvements on several performance metrics. Gradient-weighted class activation mapping also showed better learning focus.

日本の乳がん検診において，一次検診に使用される検査方法はマンモグラフィー（MMG）撮影単体法，または視触診との併用法である．MMG撮影において，乳腺が多く脂肪が少ない「高濃度乳房」や乳腺が発達している30代以下の被験者は，撮影画像中に白く写る部分が多くなるため，乳がんか否かの判別が難しくなる．特に乳房腫瘤の判別が難しく，感度・特異度が低くなる傾向にある．もしMMG撮影画像において乳がん腫瘤の良悪性鑑別精度を高めることができれば，より早期の乳がん発見につながると考えられる．そこで本研究では，MMG撮影画像を利用した良悪性鑑別CADの性能向上を目的として，画像の粒状性とコントラストを同時に改善する画質改善処理手法を開発した．その結果，画質改善処理を行っていない検診MMG画像を用いた良悪性鑑別処理の鑑別精度85％に対して，画質改善処理を施した場合は鑑別精度が89％に向上した．また，良悪性鑑別CADにおいて，学習したAIが画像中のどこに着目して判断しているのかについても分析を行った．なお，一般的に検診段階では検診MMG単独もしくは視触診を併用する方法で存在診断を行い，二次精検では診断MMGや超音波検査，MRIを併用し鑑別診断を行うが，本研究では画質改善を行うことにより検診MMGでも鑑別が可能となり，早期に乳がんを発見できる可能性が高まることを提案している．

近年，畳み込みネットワークなど人工知能を使った病理画像診断技術が盛んに研究され成果を上げる一方，その判断根拠を示すことが課題として浮かび上がっている．本研究では，逆に，判断根拠から積み上げる病理画像診断技術実現の可能性を提示する．われわれは，性質のわかっている画像特徴量のそれぞれが，「がんである」と「正常である」とを識別する上での情報量をどれほど持っているかに注目する．われわれが提案するカルバック・ライブラー情報量の第2項の符号を反転させて得られる識別情報量の大きさは，そのまま判断根拠の強さに対応する．したがって，病理画像の各小領域に含まれる画像特徴量がもつ情報量をすべて足し上げれば，その小領域のがんらしさ・正常らしさの判断根拠を定量化できる．情報密度法と名付けたこの可視化方法を人工知能病理診断の国際コンペCAMELYON16のデータに適用し，このアプローチの有望さを示す．

関節リウマチは，病態が進行すると全身の関節破壊を生じ，患者のQOL（quality of life）を著しく阻害する．関節リウマチの診断は，血液検査やX線画像診断により総合的に行われている．特に，X線画像診断は簡便に病態の進行を捉えることができるが，読影医師の負担増加や医師の主観的な評価による再現性が課題となっている．そこで，コンピューターの解析結果を第二の意見として利用するコンピューター支援診断システムの開発が期待されている．本論文では，経時的差分技術により同一被験者の過去・現在画像から関節リウマチの進行を捉える支援診断システムの開発を目的とし，指骨領域の位置合わせ手法を提案する．Geometric Matching CNN を画像ペアごとに最適化することにより，指骨領域の高精度な位置合わせを行う．提案手法を560組の合成指骨領域画像に適用した結果，TP が99.26％，FP が0.79％となり，従来手法との比較により提案手法の有効性を確認した．

識別問題では，cross-entropy lossを用いることで，特徴量空間において特徴量を分離できる．一方，contrastive learningでは，同じクラスに属するデータの特徴量は近く，異なるクラスに属するデータの特徴量は遠くなるように学習を行うことで，識別性の高い，所属するクラスに本質的な特徴量の抽出が可能となる．本研究では，教師あり学習の枠組みの中で，ラベル情報を活用してより適切な特徴の埋め込みを行うSupervised Contrastive Learning（SCL）に着目し，胸部CT画像の陰影識別タスクに適用した．2つの異なるドメイン（医療施設1の症例と医療施設2の症例）おのおのへの適応，およびドメインを超えた適応の観点から行った4つの検証パターンにおいて，SCLにより8～18％のaccuracy の向上が確認できた．また，t-SNE（t-distributed stochastic neighbor embedding）を用いた特徴量の可視化により，クラスごとのより明確なグループの形成を確認した．

腹腔鏡下手術の手術支援システムでは，手術の安全性向上のために，腹腔鏡映像に映る術具領域の正確な抽出が必要である．近年ではFCN（Fully Convolutional Network）を用いた術具領域抽出手法が効果を上げている．色情報に加えて奥行き情報をFCNが学習することで，腹腔鏡映像に映る術具領域の抽出精度が向上すると報告されている．本研究では，pix2pixにより単眼腹腔鏡映像から奥行きを推定し，推定した奥行き情報と色情報をU-Netにより学習することで，術具領域抽出の精度向上を目指す．実験では，MICCAI 2017のロボット器具データセットを使用した．1,800枚の画像に対して4分割交差検証を行った結果，平均IoUが88％，平均Dice係数が93％となった．推定した奥行き情報を学習に追加することで，過抽出が低減し，平均抽出精度が向上した．

病理医は，HE（hematoxylin and eosin）染色後の病理組織標本を顕微鏡下で目視観察し，病理診断を行う．しかし，HE染色標本による形態判断だけでは手術後の再発の有無を十分には予測できず，患者の治療方針を適切に立てることが難しい．そこで本研究では，HE染色画像から精度よく病理診断を行うために，特徴抽出器の並列構造による識別器を用いてHE染色画像からRGB画像とLLL画像（輝度画像Lの3チャンネルで構成した画像）の特徴量を算出して再発の有無を自動で識別する手法を提案する．具体的には，convolutional neural networkを用いて，外科的に切除された肺腺癌（病理病期IB）のHE染色画像から再発有無のRGB画像の特徴量を抽出する．さらにHE染色画像から再発有無のLLL画像の特徴量を抽出して識別器を作成し，その識別器を用いて再発有無を判定する．本手法を用いることで，肺腺癌IBの再発有無の識別精度の向上に有効であることが示された．

The mechanism of edge artifacts in point spread function (PSF) reconstruction was investigated by a simulation study. A two-dimensional (2D) numerical phantom comprises 184 mm diameter disk background and 4.6-30 mm diameter disk signal with contrast 9 (expressed as signal/background −1). Parallel beam projection data were blurred by detector response of 1D Gaussian function with 5 mm full width at half maximum (FWHM). Projection matrix only considers detector response function, ensuring that the edge artifacts are not masked or affected by other components. Image reconstruction was performed using ordered subset expectation maximization (OSEM) without regularization and with regularization by generalized Gaussian function. Without regularization, the object-specific modulation transfer function (OMTF), defined as the ratio of power spectrum of original and reconstructed images, was ~1 up to 1.6 cycles/cm, lower than the kernel frequency support of the detector response function (1/FWHM: 2.0 cycles/cm) and then decayed rapidly. This frequency response is similar to the original image and was smoothed using a Butterworth filter of order 4 and a cutoff frequency of 2.94 cycles/cm, producing the edge artifacts in image space. In PSF reconstruction, the edge artifacts are generated because the frequency response has the shape of low-pass Butterworth filter, lacking high-frequency components.