深層学習の解釈可能性研究：摂動に基づく帰属マップ評価手法 背景と研究動機 深層学習モデルは多くのタスクで顕著な成功を収めていますが、これらのモデルの解釈可能性と透明性への関心が高まっています。特に、モデルの高精度な予測と同時に、その意思決定プロセスを人間が直感的に理解できるようにする能力が不足しています。この欠如は、多くの実世界のアプリケーションにおけるモデルの採用を制限しています。 コンピュータビジョン分野では、帰属法（Attribution Methods）が神経ネットワークの解釈可能性研究に広く利用されています。これらの方法は、入力画像中のどの領域がモデルの意思決定に最も寄与しているかを示す帰属マップ（Attribution Maps、AMs）を生成します。しかし、帰属マップの定性的性...
研究レポート：TLS関連遺伝子に基づく口腔扁平上皮癌予後モデルの検証と分析 背景と研究動機 口腔扁平上皮癌（Oral Squamous Cell Carcinoma、OSCC）は、頭頸部扁平上皮癌（Head and Neck Squamous Cell Carcinoma、HNSCC）の中で最も一般的なサブタイプであり、高度のリンパ節転移傾向を持ち、特に首のリンパ節への拡散が容易です。2022年の世界癌症観測レポート（GCO）によれば、OSCCの新たな症例数は約38万件で、そのうちこの病気による死亡者は約18.8万人に近いとされています。GCOはこの病の発病率と死亡率が2040年まで増加し続けると予測しています。現在、OSCC患者の予後は主に腫瘍のサイズ、リンパ節の状態、および遠隔転移の状況...
自己蒸留型マスクされた画像トランスフォーマーの縦断MRIにおける可能性 - 頸部リンパ節転移の自動セグメンテーション 報告の紹介 放射線治療におけるがん腫の自動セグメンテーション技術は、スピードの向上と手作業によるリーダー間の差異の低減を約束するものです。放射線腫瘍学の臨床実践において、正確かつ迅速な腫瘍のセグメンテーションは、患者の個別化された治療において非常に重要です。Memorial Sloan Kettering Cancer Centerの研究者らによるこの研究は、マスクされた画像モデリングによるビジョントランスフォーマー (SMIT) アルゴリズムを用いて、経時的T2強調MRI画像における頭頸部扁平上皮がん患者の頸部リンパ節転移の自動セグメンテーション精度を実現・評価することを目...
非侵入性胶質腫瘤の等級分類に関する研究概要：知識蒸留に基づく軽量な畳み込みニューラルネットワーク 背景紹介 膠質腫瘍は中枢神経系の主要な腫瘍であり、早期検出が非常に重要です。世界保健機関（WHO）は膠質腫瘍をⅠ級からⅣ級に分類しており、Ⅰ級とⅡ級は低級膠質腫瘍（LGG）、Ⅲ級とⅣ級は高級膠質腫瘍（HGG）です。膠質腫瘍を正確に分類することは生存率の評価にとって非常に重要です。 磁気共鳴画像法（MRI）は医学の分野で膠質腫瘍の診断と治療によく使用される方法です。現在、多くの研究者が機械学習や深層学習の方法で膠質腫瘍を分類しています。例えば、Zacharakiらはサポートベクターマシン（SVM）アルゴリズムをMRI画像に適用して膠質腫瘍を分類することに成功しました。一方、Fatemehらは畳み込...
注意引导のCNNフレームワークを用いた3D MRIスキャンの膠芽腫の分割と評価研究 膠芽腫は人間にとって最も致命的な脳腫瘍の形式であり、これらの腫瘍の早期診断は効果的な腫瘍治療の重要なステップです。磁気共鳴画像法（MRI）は通常、脳病変の非侵襲的検査を提供します。しかし、MRIスキャンにおける腫瘍の手動検査は多くの時間を要し、エラーが発生しやすいです。そのため、自動診断は膠芽腫の臨床管理および外科的介入において極めて重要な役割を果たしています。本研究では、3D MRIスキャンから非侵襲的に腫瘍を分類するための畳み込み神経ネットワーク（CNN）に基づくフレームワークを提案します。 背景紹介 膠芽腫は一般的かつ致命的な脳腫瘍であり、その侵襲性および悪性度に応じて4段階に分類されます。低グレード腫...
研究背景及研究目的 てんかんは自発性で深刻な神経系の病気であり、反復発作を特徴とし、全世界で約5000万人が影響を受けています[1]。最近の抗てんかん薬（ASM）の進展にもかかわらず、薬物難治性てんかん（Drug-Resistant Epilepsy，DRE）は依然として20%から30%のてんかん患者に影響を与えています[1-3]。DRE患者は巨大な経済的、社会的および心理的負担に直面しており、確定診断に長期間の薬物試験が必要です。高リスクの患者を早期に識別することは、てんかん手術、神経調整またはケトジェニックダイエットなどの治療法の早期介入を可能にします。 過去の研究では、DREのリスク要因として、早期発病、高頻度の発作、脳波（EEG）の異常、神経欠陥、認知障害、外傷歴、頭蓋内構造異常など...
深度睡眠ネットワーク：シングルチャネルEEGに基づく自動睡眠ステージスコアリングモデル 背景紹介 睡眠は人体の健康に重要な影響を持ち、人々の睡眠の質を監視することは医学研究および実践において極めて重要です。通常、睡眠専門家は複数の生理信号（脳波図 (EEG)、眼電図 (EOG)、筋電図 (EMG)、心電図 (ECG) など）を分析することで睡眠ステージをスコアリングします。これらの信号は多導睡眠ポリグラフ (Polysomnogram, PSG) と呼ばれ、分類後に個人の睡眠状態を特定するために使用されます。しかし、この手動方法は時間がかかり、労力が必要であり、専門家が複数の夜に渡って複数のセンサーを記録し分析する必要があります。 複数の信号（EEG、EOG、EMG など）やシングルチャネル...
MI-EEGデコードにおける注意機構に基づく時間依存学習畳み込みニューラルネットワーク（CNN） 研究背景と問題提起 脳-機械インターフェース（Brain-Computer Interface, BCI）システムは、脳信号をリアルタイムで翻訳してコンピュータと通信する新たな手段を提供しています。近年、BCI技術は麻痺患者に対する補助や予防的なケアにおいて重要な役割を果たすようになりました。現在の多くのBCIシステムは、非侵襲的で比較的便利な脳波（EEG）信号記録に依存して脳活動を追跡しています。しかし、同じMI（運動想像）タスクの期間中でも、異なる時期に生じる異なるMI関連パターンの時間依存性特性はしばしば無視され、MI-EEGデコード性能が大きく制約されています。 論文の出典と著者情報 論...
脑機インターフェース（Brain-Computer Interface, BCI）は、神経系と外部環境を接続するコミュニケーション手段です。運動イメージ（Motor Imagery, MI）はBCI研究の基礎であり、運動実行前の内的リハーサル（Internal Rehearsal）を指します。非侵襲性技術である脳波（Electroencephalography, EEG）は、そのコスト効率と利便性のため、高い時間分解能で神経活動を記録することができます。被験者が特定の身体部位を移動することをイメージすると、大脳の特定領域でエネルギー変化（ERD/ERS）が発生し、これらの変化はEEGにより記録され運動意図を識別するために使用されます。MIに基づくBCIシステムは大きな進展を遂げており、外骨格...
ブレイン・コンピュータ・インターフェース（Brain-Computer Interface, BCI）は、新たなコミュニケーションと制御技術として近年注目を集めている。脳波（EEG）に基づくBCIの中でも、運動イメージ（Motor Imagery, MI）は重要な分野であり、ユーザーの運動意図をデコードすることで、臨床リハビリテーション、スマート車椅子の制御、およびカーソル制御などの分野に応用されている。しかしながら、EEG信号の低い信号対雑音比（Signal-to-Noise Ratio, SNR）、非定常性、低い空間分解能および高い時間分解能などの複雑な特性のため、運動意図の正確なデコードには依然として挑戦が残っている。現在のMI基BCIデコードには主に伝統的な機械学習と深層学習の手法が...