I introduce papers that recently published. There are related to machine learning and medical.

1. 論文紹介
医療分野と機械学習の最新の動向
画像認識を中心に

2. 概要
論
文
分野 使用している技
術
発表年 簡単な詳細 選んだ理由
1 画像認識
データ拡張
U-NET 2015 U-NETを使用した
二次元画像認識
State-of-the-artに載っていたので。
2 画像認識 Boundary Aware
Networks
2019 別の技術を使用した
二次元画像認識
医療系の画像認識の最新論文だったの
で。
3 画像認識 Mesh Tensor Flow 2019 三次元画像認識 ３次元画像認識の最新論文だったので。
4 データ拡張 U-NET 2019 医療系の画像データを水増し 医療系データで起こる問題の解決論文
だったので。
5 議論 2019 医療に機械学習を
用いる際の危険性
反対論文を読み冷静に判断するため。

3. U-Net: Convolutional Networks for Biomedical Image Segmentation
どんなもの？
細胞株の画像をデータセットとして用い、IoUを用いて評価した。
画像データをシフト、回転、色の変更、変形を加え、U-NETで学習・推定を行った。
近年のディープラーニングによる画像認識技術は著しい発展で高い認識精度を持つ。
一方、ディープラーニングには正解ラベル付きのデータが何千と必要であるが、
医療画像では数多くのデータを用意することは困難である。
そこで、データを拡張しU-Netを用いた画像認識を行い、画像診断に有用である技術の証明を試みた。
どうやって有効だと検証した？
技術の手法や肝は？
U-NET：完全CNN構造
エンコーダ／デコーダ構造
デコーダされた特徴量マップ
にエンコーダされた特徴量マップ
を結合させている。

4. End-to-End Boundary Aware Networks for Medical Image Segmentation
どんなもの？ CNNは物体のテクスチャ情報（物体の色、質感、内部の構造）を用いて分類することは優秀である。
しかし、医療分野においては臓器の解剖学的な境界も認識するべきである。
そこで、医療画像用に目的の物体の境界を認識させるCNNの作成を試みた。
技術の手法や肝は？
脳腫瘍患者の画像を用いて、
脳腫瘍部分を認識させた。
CNNの構造にAttention Lyaer
を加え、物体の境界を検出し
ている。
さらにそこでロスを計算し、物
体の境界を認識するネット
ワークを同時に学習させてい
る。
どうやって有効だと検証した？

5. High Resolution Medical Image Analysis with Spatial Partitioning
どんなもの？ 従来の方法では、データ量が多すぎて医療画像を３次元のまま解析することはできなかった。
なので、ダウンサンプリングや２次元データに加工することで行ってきた。
しかし、そうすると本来もっていたはずのデータを失い、パフォーマンスに影響が出る可能性がある。
そこで、空間的にデータを処理する方法を提案する。
技術の手法や肝は？ ⚫ データを空間分割する。
⚫ Mesh tensor flowを使用する。
⚫ Mesh tensor flowにCNNを実装している。
どうやって有効だと検証した？
肝臓がんのデータ
Mesh tensor flowはデータ並列、モデル並列
ともに可能だが、今回は同時に複数のGPUで
CNNを行い学習をしている。
先行研究に比べて何がすごい？
３次元画像を高速に処理して、
情報を失わないため高い精度を立証した。

6. Extreme Augmentation : Can deep learning based medical image segmentation be trained
using a single manually delineated scan?
サンプル数が少ない場合では、機械学習モデルの学習が十分に行えません
特に、医療画像ではサンプル数がすくない場合がる。
そこで、データの拡張が医療現場でも有用であることを証明した。
1. パッチ画像を取得：3次元画像を二次元にして複数回切り取る。
2. パッチ画像を拡張：パッチ画像をランダムに結合、回転、スケーリングなどを行う。
どんなもの？
技術の手法や肝は？
どうやって有効だと検証した？ 椎間板のデータを用いた。
データセットを増やしたときのDice Scoreを評価。
データ数大

7. Disease Labeling via Machine Learning is NOT quite the same as Medical Diagnosis
どんなもの？
医療分野において機械学習は著しく発展し、医師を手助けできる可能性がある。
しかし、機械学習を用いて診断を行うことは以下の理由により慎重にならなければいけない。
・すべての人間はユニークであることに基づいて診断は行われる
・機械学習による診断は、数学的な限界が存在する（事前に学習できない診断はできない）
・など
以上の理由により、臨床的な価値が完全に理解されるまで機会学習による診断は制限されるべきであろう。
まとめ
• 医療分野では機械学習の発展が目覚ましく、特に画像認識による診断技術は向上している。
• 一方、サンプル数の少なさ、学習時間の長さなどの問題は未だ完全には解決されていない。
また、機械学習による診断には本質的な問題が残っている。
• 今後は、より精度が高く、手軽に学習できるモデルが望まれる。
• 医師に代わるのではなく、医師の仕事の無駄を省き、患者に向き合う余裕を作るものが望まれる。