マイページに保存

最終更新日：2020/03/10

(Featured AI and healthcare) What is “Deep Learning in Black Blood Imaging”? (Publication)

[論文] Y. Jun, T. Eo, T. Kim, H. Shin, D. Hwang, S. H. Bae, Y. W. Park, H.-J. Lee, B. W. Choi and S. S. Ahn , “Deep-learned 3D black-blood imaging using automatic labelling technique and 3D convolutional neural networks for detecting metastatic brain tumors”. Scientific Reports, 8, 9450 (2018). [DOI: 10.1038/s41598-018-27742-1]

３つの要点

✔️MRI検査におけるブラックブラッド（BB）イメージングは、病変部位の特定に役立つものであるが、別途スキャンを必要とするものであった。

✔️本研究では、追加のスキャンを必要としない、ディープラーニング3D BBイメージングを提案している。

✔️ディープラーニング3D BBイメージングは、誤検知も少なく、転移性脳腫瘍の発見に効果的に利用できるものである。

概説

ブラックブラッド（BB）イメージングは​​、脳転移を検出するためのコントラスト増強3Dグラディエントエコー（CE 3D-GRE）イメージングを補完するために使用されるが、これには追加のスキャン時間が必要となる。

本研究では、追加のBBスキャンなしの脳転移検出用3D畳み込みニューラルネットワークと自動ラベリング技術を用いた、ディープラーニング3D BBイメージングを提案した。

訓練用（29セット）および試験用（36セット）の患者を無作為に選んだ。2人の神経放射線専門医が、血管抑制や病変の顕著性の程度を評価しながら、独自にオリジナルBBイメージおよびディープラーニングBBイメージを評価した。

血管信号は全ての患者で効果的に抑制された。

放射線科医の診断成績を示す性能指数は、ディープラーニングBBイメージングで0.9708、オリジナルBBイメージングで0.9437であり、ディープラーニングBBイメージングは​​オリジナルBBイメージングと非常に類似していることを示唆している（差は有意ではなかった； p = 0.2142）。

患者1人あたりの分析では、感度はディープラーニングおよびオリジナルのBBイメージングの両方で100％であった。

しかしながら、オリジナルのBBイメージングは​​、2人の患者については偽陽性の結果を示していた。

病変ごとの分析における感度は、ディープラーニングBBイメージでは90.3%であり、オリジナルBBイメージでは100%であった。

オリジナルBBイメージには8つの偽陽性病変があったが、ディープラーニングBBイメージには1つしかなかった。

ディープラーニング3D BBイメージングは​​、脳転移の検出に効果的であるといえる。

著者

Yohan Jun (School of Electrical and Electronic Engineering, Yonsei University, Seoul, Korea)

Taejoon Eo (School of Electrical and Electronic Engineering, Yonsei University, Seoul, Korea)

Taeseong Kim (School of Electrical and Electronic Engineering, Yonsei University, Seoul, Korea)

Hyungseob Shin (School of Electrical and Electronic Engineering, Yonsei University, Seoul, Korea)

Dosik Hwang (School of Electrical and Electronic Engineering, Yonsei University, Seoul, Korea)

So Hi Bae (Department of Radiology, Severance Hospital, Research Institute of Radiological Science and Center for Clinical Image Data Science, Yonsei University College of Medicine, Seoul, Korea)

Yae Won Park (Department of Radiology, Ewha Womans University College of Medicine, Seoul, Korea)

Ho-Joon Lee (Department of Radiology, Severance Hospital, Research Institute of Radiological Science and Center for Clinical Image Data Science, Yonsei University College of Medicine, Seoul, Korea)

Byoung Wook Choi (Department of Radiology, Severance Hospital, Research Institute of Radiological Science and Center for Clinical Image Data Science, Yonsei University College of Medicine, Seoul, Korea)

Sung Soo Ahn (Department of Radiology, Severance Hospital, Research Institute of Radiological Science and Center for Clinical Image Data Science, Yonsei University College of Medicine, Seoul, Korea)

出版情報

Received: 22 November 2017 / Accepted: 5 June 2018 / Published: 21 June 2018

Open Access This article is licensed under a Creative Commons Attribution 4.0 International License, which permits use, sharing, adaptation, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons license, and indicate if changes were made. The images or other third party material in this article are included in the article’s Creative Commons license, unless indicated otherwise in a credit line to the material. If material is not included in the article’s Creative Commons license and your intended use is not permitted by statutory regulation or exceeds the permitted use, you will need to obtain permission directly from the copyright holder. To view a copy of this license, visit http://creativecommons.org/licenses/by/4.0/.

マイページに保存