@misc{oai:repo.qst.go.jp:00068435,
 author = {大橋, 信一郎 and 小畠, 隆行 and 外山, 比南子 and 上村, 幸司 and 鎌田, 正 and 神立, 進 and 池平, 博夫 and 辻井, 博彦 and 小畠 隆行 and 外山 比南子 and 上村 幸司 and 鎌田 正 and 神立 進 and 池平 博夫 and 辻井 博彦},
 month = {May},
 note = {【背景】腫瘍の経時的変化を追うことは腫瘍の悪性度や治療評価を行う上で重要な指標となるが、画像検査を行っても肉眼的には変化を追うのが困難な場合がある。もし、腫瘍をMRI画像から自動的に抽出できればその形態や体積の微小変化の客観的測定が容易になる。しかし、腫瘍のような周囲軟部組織とのコントラストが弱いものではセグメンテーションは必ずしも容易ではない。
クラスタリング手法を用いて、複数の画像データから腫瘍を自動的、客観的に抽出できるような方法を開発することは、臨床的に有用であると考えられる。
【目的】デジタルファントムを用いて、SOMの学習やクラスタリングにおいての適切なパラメータの検討を行う。また、その手法を臨床例に用いて腫瘍部位を他の正常部位とは異なるクラスタとして、客観的、自動的に分類できるかの検討を行う。
【対象】ファントム実験の対象として、8つの部位にそれぞれ異なる値を与え、カウントに応じたノイズをかけた3種類のデジタルファントムを作成した。
臨床例には骨軟部腫瘍症例3例のMRI撮影により得られる3種類の画像(Gd造影、T1強調、T2強調)を用いた。 
【方法】3種類の画像の画素値から自己組織化マップ(SOM: Self-Organizing Maps)の学習を行い、3種類の機能の組み合わせに従って分布した学習マップを作成する。このマップに対してクラスタリングを行い、マップを8つのクラスタに分類し、その結果を元の画像に反映させる。SOM学習マップのサイズ(30,50,100)や学習パラメータC(6,8)を変えて学習、クラスタリングを行うことにより、ファントム画像がどのように分類されるかを検討した。また、臨床例に対してもクラスタリングを行い、腫瘍が他の正常部位と違うクラスタとして分類されるかを検討した。
【結果】ファントム実験において、マップサイズを50、または100とした時、8つの部位を正確に分類することができた。学習パラメータCは分類結果に大きな影響を与えなかった。臨床例では2例において、SOMのマップサイズを50または100にすることにより、T1画像の輝度値が低く、T2画像の輝度値が高い腫瘍部位を1つ、もしくは2つのクラスタとして、正常部位とは異なるクラスタで分類することができた。腫瘍クラスタのみを取り出し、ボリュームレンダリングを行い、CT画像と重ね合わせた結果をFig.1に示す(白丸で囲った部位が腫瘍クラスタ)。
【まとめ】自己組織化マップを用いたクラスタリングを行うことにより、複数のMRI画像から腫瘍部位を分類することができる可能性を示すことができた。
学習したマップのクラスタリング法や、非常に時間がかかる学習の過程について、検討していく必要があると考えられる。, 第43回日本エム・イー学会},
 title = {クラスタリング手法を用いた複数MRI画像からの腫瘍自動抽出法の検討},
 year = {2004}
}