⬇️ 👐🏿 👨‍🎤 医学におけるコンピュータービジョンのタスクの概要 👃🏽 🤱🏻 🧑🏾

コンピュータービジョンと機械学習は、人間の活動の多くの分野で応用されています。医学も例外ではありませんでした。この記事では、著者の意見で最も興味深い、医学におけるコンピュータービジョンのタスクについて説明します。

循環腫瘍細胞の自動検出

循環腫瘍細胞がいくつかの蛍光抗体と交差

循環腫瘍細胞は、主な腫瘍の部位から分離し、血流を介して広がり、他の臓器に続発性腫瘍を形成する細胞です。

そのような細胞の早期検出と疾患進行の評価は効果的な治療のために非常に重要であり、したがって、腫瘍細胞の自動検出のためのシステムが活発に開発されています。たとえば、ドイツの研究者[2]は、小さな実験データセットで99％以上の精度、再現率88％、精度86％を取得しました。

ソース：

糖尿病性網膜症の自動検出

病気の程度に応じた画像の分類：a）正常; b）軽度; c）中程度; d）重度; e）多作

糖尿病性網膜症の検出のためのカグル競技の著者は、糖尿病のアメリカ人の40-45％も糖尿病性網膜症の影響を受けていると主張しています（ロシアでも数字はほぼ同じだと思います）。病気が時間内に検出された場合、視覚障害の進行を遅らせるか、防ぐことができます。したがって、糖尿病性網膜症を検出するシステムの開発も重要です。

競技会で最高の2次加重カッパ結果は0.84958（プライベートリーダーボード）でした。一部の研究者は、スマートフォンで網膜ショットを撮影するためのアダプターを開発しています。彼らはこれを28Dまたは40Dレンズ（このようなレンズの価格は約300ドル）と3Dプリンターで印刷されるスマートフォン用のノズルで行います。

Retina Snapshot Adapter

ご覧のとおり、病院に行かずに網膜の状態を確認する機能はすぐそこにあります。

ソース：

MRI画像のセグメンテーション

脳MRIスキャン

磁気共鳴画像法（MRI）の方法は、脳疾患のダイナミクスの診断と追跡、およびその機能の研究に広く使用されています。この方法では、一連の連続した2次元「スライス」に基づいて構築された高品質で高解像度の3次元画像を取得できます。脳のMRI画像を解剖学的構造にマーキングすることは、この分野の多くのタスクにおけるさらなる分析のための重要なステップです。

3次元画像の完全なマーキングには、基本的な解剖学的構造に対応する数十の領域への脳ボリュームの分割（セグメンテーション）が含まれます。各ポイント（ボクセル）は、解剖学的構造ラベルに関連付けられています。したがって、この場合の手動マーキングは長くて面倒なプロセスになります。したがって、解剖学的マークアッププロセスを自動化するアルゴリズムが必要です。 [ 1 ]

セグメンテーションアルゴリズムの例。 左側は真のマークアップです。 右側-受け取ったマークアップ

[ 1 ]の著者は、解剖学的構造について次のセグメンテーション精度を得ることができました（DSCはDyceの類似性の尺度です）。

小脳-0.885±0.05
パリダム-0.7442±0.009
心室-0.9±0.02
血管-0.2±0.001
中脳-0.8474±0.0073

ソース：

超音波画像解析

たとえば、最近のkaggleコンペティションから首の神経構造を見つけるタスクを考えてみましょう。

左側は首の超音波画像、右側は神経構造です。 画像は、神経構造を見つけることは人（この分野の専門家ではない）にとっても些細な作業ではないことを示しています

超音波画像で神経構造を正確に特定することは、痛みをブロックまたは軽減するためのカテーテルの効果的な挿入における重要なステップです。特に、このようなカテーテルは、薬物中毒の患者がより迅速に回復するのに役立ちます。

DiceはkaggleのDSCに似ていたため、最良の結果は0.73226でした。

ソース：

首の超音波画像で神経構造を特定する

スペックルレーザーパターン解析

手の小さな領域を擦る前後の灌流を示す手のレーザースペックルパターン

レーザースペックルパターンの自動分析は、血流を測定するために使用されます。特に、損傷した組織のレーザー治療に役立ちます。

ソース：

おわりに

考慮される問題は、海中の水滴のみです。医用画像分析の分野では、研究の大きな可能性があります。

ディープラーニングの急速な発展は、医療画像の分析用に開発されたシステムの精度を徐々に向上させるのに役立ちます。そして、これは間違いなく公衆衛生のレベルを高めるでしょう。

医学におけるコンピュータービジョンのタスクの概要