BAAD World にようこそ

BAAD World にようこそ

BAAD (Brain Anatomical Analysis using Diffeomorphic deformation) は、VBM (voxel-based morphometry)のアルゴリズムに基づいて、脳の形状の特徴を抽出します。Windows OS上で動作し、特別な準備は必要ありません。ダウンロードしてご自由にお使い下さい。
AAL、Brodmann、LPBA40の複数のアトラスを利用した関心領域（ROI）が標準装備されているほか、白質の分割領域、白質病変（深部白質、脳室周囲白質）にROIが装備されています。また、ユーザーが独自にROIを作成し、BAADに登録することも可能です。統計解析に加えて、各ROIのz値や体積（ml）を算出します。
BAADは、脳MRIからアルツハイマー病（AD）の臨床診断をサポートします。 北米のADNIデータベースを用いてトレーニングされたBAAD-AIは、脳MRIの構造的レビューにおいて、AD診断において放射線科医を上回る結果を出しました。VBMにより脳が萎縮している部位を確認できるため、AD以外の変性型認知症の診断にも役立ちます。
Shizconnectのデータベースを利用して、統合失調症の脳MRIを学習したAIも用意しています。
脳は加齢とともに萎縮しますが、これを脳年齢として示すことができます。実際の年齢とのギャップは何らかの危険因子の影響が反映されている可能性があると思われます。BAADはKaggleで有名になったXGBoostによる脳年齢の評価をしています。
BAAD serverを設置することにより、BAADの自動解析が可能となり、病院やクリニックでの日常業務の負担を軽減することができます。医師は、オーダーしたMRI画像と一緒にBAADの結果をPACSで確認することができます。また、外来のコンピューター端末にBAAD Viewerをインストールすると、その場で様々な解析を行うことができます。 例えば、MMSEスコアの入力により診断精度がより向上します。VBMの解析結果において医師が脳のスライス部位や検定の閾値を自由に変更して患者に説明することができます。データはその都度、管理・保存され、時系列を扱うBAAD-AIに渡され、将来の病気の発症を予測するのに役立ちます。
BAADは医療機器認証を取得しています。医療機器としてご使用、ビジネスモデルとして発展させたい場合はサポートさせていただきますので、ERISAにご相談ください。

臨床医のための認知症情報サイトはこちらから。

BAADはユーザー独自のVBMの研究に利用できます。BAADを介して、SPM12やCAT12を、Matlabをインストールすることなく自由に使うことができます。複数のシリーズのDICOMデータを一度にNIfTIファイルに変換したり、DICOM画像を見て確認後に変換することができます。同一症例のFLAIR画像があれば、セグメンテーション時に3DT1強調画像と自動的にペアリングして高精度なセグメンテーションを行い、白質病変を部位別に計測することができます。

BAAD (Brain Anatomical Analysis using Diffeomorphic deformation) は、VBM (voxel-based morphometry)のアルゴリズムに基づいて、脳の形状の特徴を抽出します。
Windows OS上で動作し、特別な準備は必要ありません。ダウンロードしてご自由にお使い下さい。AAL、Brodmann、LPBA40の複数のアトラスを利用した関心領域（ROI）が標準装備されているほか、白質の分割領域、白質病変（深部白質、脳室周囲白質）にROIが装備されています。また、ユーザーが独自にROIを作成し、BAADに登録することも可能です。統計解析に加えて、各ROIのz値や体積（ml）を算出します。
BAADは、脳MRIからアルツハイマー病（AD）の臨床診断をサポートします。 北米のADNIデータベースを用いてトレーニングされたBAAD-AIは、脳MRIの構造的レビューにおいて、AD診断において放射線科医を上回る結果を出しました。VBMにより脳が萎縮している部位を確認できるため、AD以外の変性型認知症の診断にも役立ちます。
Shizconnectのデータベースを利用して、統合失調症の脳MRIを学習したAIも用意しています。脳は加齢とともに萎縮しますが、これを脳年齢として示すことができます。実際の脳年齢とのギャップは何らかの危険因子による影響が反映されている可能性があると思われます。BAADはKaggleで有名になったXGBoostによる脳年齢の評価をしています。

BAAD serverを設置することにより、BAADの自動解析が可能となり、病院やクリニックでの日常業務の負担を軽減することができます。医師は、オーダーしたMRI画像と一緒にBAADの結果をPACSで確認することができます。また、電子カルテが搭載されているPCにBAAD Viewerをインストールすると、その場で様々な解析を行うことができます。 例えば、MMSEスコアを入力することで臨床診断に役立てたり、医師が脳のスライス部位や検定の閾値を自由に変更したりすることができます。データはその都度、管理・保存され、時系列を扱うBAAD-AIに渡され、病気の発症を予測するのに役立ちます。
BAADは医療機器認証を取得しています。医療機器としてご使用、ビジネスモデルとして発展させたい場合などサポートさせていただきますので、ERISAにご相談ください。

臨床医のための認知症情報サイトはこちらから。

BAADは研究目的に使うことができます。BAADを介して、SPM12やCAT12を、Matlabをインストールすることなく自由に使うことができます。複数のシリーズのDICOMデータを一度にNIfTIファイルに変換したり、画像を見ながらDICOMファイルを編集したりすることができます。同一症例のFLAIR画像があれば、セグメンテーション時に3DT1強調画像と自動的にペアリングして高精度なセグメンテーションを行い、白質病変を部位別に計測することができます。

　　アルツハイマー病の画像診断（人工知能によるサポート）
ADの画像診断（AIによるサポート）
Dr. BAAD

アルツハイマー病（AD）は、前臨床期（臨床的に無症状ではあるがADの病理所見が脳に出現している）から認知症を発症するまでの前臨床・臨床期の連続体として概念化することができます。前臨床期と臨床期の中間である軽度認知障害(MCI; mild cognitive impairment)の症例は、将来ADに進行する進行性MCI(pMCI)と進行しない非進行性MCI(sMCI)に分類されます。そこで、ADとpMCIをADスペクトラム、健常者とsMCIを非ADスペクトラムとしてBAAD-AIに学習させました。AIは、脳の構造に関連する数百の情報を処理し、ADの可能性を0から1までの値でアルツハイマー・スコア（ADS）として提示します。ADSが0.5以上であれば、ADスペクトラムの可能性があります。また、0.7以上のMCI症例は、将来ADになるリスクが高いと思われます。
BAAD-AIは、構造的磁気共鳴画像のレビューにおいて、ADの診断において放射線科医を上回る結果を示しました(論文参照)。

Image
BAAD supports AD diagnosis

BAAD-AIは脳MRIによるAD診断において放射線科医を上回るパーフォーマンスを示しました。放射線科医の診断精度は60～70％であったのに対し、BAAD-AIの診断精度は90％でした。

Stacks Image 621

高齢者(70歳以上)の運転免許更新の際の認知機能検査で認知症が疑われるケースが増えています。これに関する対策はこちらから。

アルツハイマー病（AD）は、前臨床期（臨床的に無症状ではあるがADの病理所見が脳に出現している）から認知症を発症するまでの前臨床・臨床期の連続体として概念化することができます。前臨床期と臨床期の中間であるMCIの症例は、将来ADに進行する進行性MCI(pMCI)と進行しない非進行性MCI(sMCI)に分類されます。そこで、ADとpMCIをADスペクトラム、健常者とsMCIを非ADスペクトラムとしてBAAD-AIに学習させました。AIは、脳の構造に関連する数百の情報を処理し、ADの可能性を0から1までの値でアルツハイマー・スコア（ADS）として提示します。ADSが0.5以上であれば、ADスペクトラムの可能性があります。また、0.7以上のMCI症例は、将来ADになるリスクが高いと思われます。
BAAD-AIは、構造的磁気共鳴画像のレビューにおいて、ADの診断において放射線科医を上回る結果を示しました(論文参照)。

Image
BAAD supports AD diagnosis

BAADの診断精度は放射線科医を上回りました。放射線科医の精度は60～70％であったのに対し、BAAD-AIは90％でした。

高齢者(70歳以上)の運転免許更新の際の認知機能検査で認知症が疑われるケースが増えています。これに関する対策はこちらから。

　　統合失調症の画像診断（人工知能によるサポート）
統合失調症の画像診断 (AIによるサポート)

統合失調症では、前頭葉や島状回の萎縮や淡蒼球の肥大化が現れますが、MRIを人の目でみてもこれらの所見を把握するのは難しいとされています。BAAD-AIを使えば、これらの特徴をより早く捉える可能性があります。図のVBMで示したように、統合失調症の患者の中には淡蒼球が肥大化しています。BAAD-AIが示すSPSが1.0に近いほど統合失調症の可能性が高いことがわかっています。発症前の兄弟姉妹であっても、このスコアが高い場合は、環境を整えることによって発症を防ぐことが可能と思われます。

Image
BAAD helps early detection of schizophrenia.

統合失調症では、前頭葉や島状回の萎縮や淡蒼球の肥大化が現れますが、MRIを人の目でみてもこれらの所見を把握するのは難しいとされています。BAAD-AIを使えば、これらの特徴をより早く捉える可能性があります。図のVBMで示したように、統合失調症の患者の中には淡蒼球が肥大化しています。BAAD-AIが示すSPSが1.0に近いほど統合失調症の可能性が高いことがわかっています。発症前の兄弟姉妹であっても、このスコアが高い場合は、環境を整えることによって発症を防ぐことが可能と思われます。

Image

統合失調症における脳の変化を早期発見に検出します。

  • 統合失調症は、陽性症状や陰性症状に加え、記憶や注意力の認知機能障害など、幅広い症状を特徴とする複雑な精神疾患である。数千人の被験者を対象とした構造的MRIに関する最近の大規模なメタ分析およびメガ分析により、健常対照群と比較して、特に扁桃体、海馬、視床、および大脳葉において脳容積の減少が見られ、構造的接続性に変化があることが確固として実証されている（Haijma et al., 2013; van Erp et al., 2016; van Erp et al., 2018; Serdarevic et al., 2018; Serdarevic et al., 2018）。これらの構造的差異の一部は発症前にすでに存在している可能性が高いものの、リスク状態から初発の精神病エピソードに至るまでの継続的な脳容積の減少は、しばしば予後の悪化と関連している（Fusar-Poli et al., 2013; van Haren et al., 2008）。さらに、死後研究はこれらの知見に病理学的妥当性を与えており、ニューロンのサイズ縮小および樹状突起の分枝化の減少には多因子的な病態生理学が関与していることを示唆している（Rajkowska et al., 1998; Glantz and Lewis, 2000）。ENIGMA統合失調症ワーキンググループによる最近の大規模研究は、これらの変化をさらに詳細に明らかにしており、側頭葉皮質の変化が「リスクのある精神状態（ARMS）」にある個人においてすでに認められ、形式的な思考障害や言語障害の重症度と有意に関連していることを示している（ENIGMA Clinical High Risk for Psychosis Working Group et al., 2021）。
  • こうした知見があるにもかかわらず、個別の診断に有用な、確固たる汎用性の高いバイオマーカーを特定することは、依然として大きな課題である。観察疫学における多くの知見は、あくまで示唆的あるいは弱いものに留まっており、長期にわたる抗精神病薬治療や、この疾患の臨床的異質性の高さによって、結果がしばしば交絡されている（Fusar-Poli et al., 2013; Kraguljac et al., 2021）。こうした限界に対処し、中核的な神経生物学的特徴と二次的な影響を区別するために、研究者たちは患者の無症状の兄弟姉妹に注目している。兄弟姉妹は著しい遺伝的素因を共有しており（報告によるとリスクは約6～10倍に増加する（Chou et al., 2017; Lichtenstein et al., 2006）—、その脳形態は、臨床症状の発症前に潜在する遺伝的リスクを反映するエンドフェノタイプである可能性がある（Prasad and Keshavan, 2008）。
  • 最近の研究枠組みでは、直交線形変換と組み合わせたアンサンブル深層学習の力を活用している。構造的MRI（sMRI）データの次元を削減し、Visual Geometry Group Net（VGGNet）やResidual Network（ResNet）といった投票ベースのアンサンブルモデルを活用することで、研究者らは検出性能の向上と汎化能力の改善を実現している（Varaprasad et al., 2026; Sarveswaran and Rajangam, 2025; Sarveswaran and Rajangam, 2025）。純粋な精度に加え、説明可能性も精神医学分野の人工知能（AI）における焦点となっている。早期発症型統合失調症（EOS）と双極性障害（EBD）を区別するために、研究者らは皮質厚やフラクタル次元など、関心領域（ROI）に基づく脳表面形態学的パラメータを活用してきた。SHAP（SHapley Additive exPlanations）をAdaBoostのようなアルゴリズムと併用することで、鑑別診断の決定要因となる特定の生物学的マーカーを特定することが可能となる（Saglam et al., 2023）。さらに、多様なデータ領域の融合により、診断精度の限界が押し広げられている。空間領域の特徴（例：ローカルバイナリパターンを用いたテクスチャ解析）と周波数領域の特徴（例：高速フーリエ変換を用いたスペクトル解析）を組み合わせることで、AIを活用したアプローチは神経学的異常をより包括的に捉えることができる。このようなハイブリッドな特徴量融合技術は、90%を超える高い精度レベルを示しており、堅牢な臨床分類におけるその可能性を反映している（Sun et al., 2021）、（Tyagi et al., 2025）。
  • 構造画像診断により、統合失調症患者の脳における様々な形態学的変化が明らかになっていますが、従来の単変量統計手法では、個人レベルでの脳異常の多面的な性質を捉えきれないことがよくあります。こうした限界に対処するため、最近の研究では、複雑で高次元のデータを統合できる高度な機械学習（ML）フレームワークへの移行が進んでいます（Zarogianni et al., 2013; Oh et al., 2020）。この文脈において、適切なアルゴリズムの選択は極めて重要である。ディープラーニングは高い性能を発揮するが、サポートベクターマシン（SVM）のような、より単純でありながら堅牢な線形モデルは、高次元のROIデータを処理できる能力を備えつつ、多重共線性による過学習のリスクを最小限に抑えられるため、しばしば好まれる（Lee et al., 2021）。
  • 本研究では、5つの独立したデータベースにまたがる1,000人以上の被験者からなる大規模データセットに、SVMベースの機械学習モデルを適用し、「統合失調症様スコア（SPS）」の開発を目指した。SVMの堅牢な正則化特性を活用することで、多数のROIから広範な神経解剖学的情報を捉え、統合失調症の表現型に対する構造的類似性を示す、安定的かつ汎用性の高い指標の確立を目指した。我々は、統合失調症および高リスク群で観察される複雑な構造的変異を定量化するために、この簡略化されたフレームワークを提案する。SPSが神経解剖学的エンドフェノタイプを効果的に反映するならば、兄弟姉妹などの遺伝的高リスク群が中間的な構造的特徴を示すかどうかを評価するための貴重なバイオマーカーとなり得る。それにより、脳形態と遺伝的素因との関連性が明らかになる可能性がある。
  • 先制的な早期介入・予防医学への道: 「SPS（統合失調症様スコア）」を用いることで、個人の神経解剖学的な発症リスクを連続的な数値として評価できるようになります。臨床症状が全くない段階でもリスクの高い個人（兄弟姉妹など）を特定できれば、発症を防ぐためのストレス管理や環境調整などの予防的介入を、より早期かつ的確に行えるようになると期待されています。

  • 統合失調症は、陽性症状や陰性症状に加え、記憶や注意力の認知機能障害など、幅広い症状を特徴とする複雑な精神疾患である。数千人の被験者を対象とした構造的MRIに関する最近の大規模なメタ分析およびメガ分析により、健常対照群と比較して、特に扁桃体、海馬、視床、および大脳葉において脳容積の減少が見られ、構造的接続性に変化があることが確固として実証されている（Haijma et al., 2013; van Erp et al., 2016; van Erp et al., 2018; Serdarevic et al., 2018; Serdarevic et al., 2018）。これらの構造的差異の一部は発症前にすでに存在している可能性が高いものの、リスク状態から初発の精神病エピソードに至るまでの継続的な脳容積の減少は、しばしば予後の悪化と関連している（Fusar-Poli et al., 2013; van Haren et al., 2008）。さらに、死後研究はこれらの知見に病理学的妥当性を与えており、ニューロンのサイズ縮小および樹状突起の分枝化の減少には多因子的な病態生理学が関与していることを示唆している（Rajkowska et al., 1998; Glantz and Lewis, 2000）。ENIGMA統合失調症ワーキンググループによる最近の大規模研究は、これらの変化をさらに詳細に明らかにしており、側頭葉皮質の変化が「リスクのある精神状態（ARMS）」にある個人においてすでに認められ、形式的な思考障害や言語障害の重症度と有意に関連していることを示している（ENIGMA Clinical High Risk for Psychosis Working Group et al., 2021）。
  • こうした知見があるにもかかわらず、個別の診断に有用な、確固たる汎用性の高いバイオマーカーを特定することは、依然として大きな課題である。観察疫学における多くの知見は、あくまで示唆的あるいは弱いものに留まっており、長期にわたる抗精神病薬治療や、この疾患の臨床的異質性の高さによって、結果がしばしば交絡されている（Fusar-Poli et al., 2013; Kraguljac et al., 2021）。こうした限界に対処し、中核的な神経生物学的特徴と二次的な影響を区別するために、研究者たちは患者の無症状の兄弟姉妹に注目している。兄弟姉妹は著しい遺伝的素因を共有しており（報告によるとリスクは約6～10倍に増加する（Chou et al., 2017; Lichtenstein et al., 2006）—、その脳形態は、臨床症状の発症前に潜在する遺伝的リスクを反映するエンドフェノタイプである可能性がある（Prasad and Keshavan, 2008）。
  • 最近の研究枠組みでは、直交線形変換と組み合わせたアンサンブル深層学習の力を活用している。構造的MRI（sMRI）データの次元を削減し、Visual Geometry Group Net（VGGNet）やResidual Network（ResNet）といった投票ベースのアンサンブルモデルを活用することで、研究者らは検出性能の向上と汎化能力の改善を実現している（Varaprasad et al., 2026; Sarveswaran and Rajangam, 2025; Sarveswaran and Rajangam, 2025）。純粋な精度に加え、説明可能性も精神医学分野の人工知能（AI）における焦点となっている。早期発症型統合失調症（EOS）と双極性障害（EBD）を区別するために、研究者らは皮質厚やフラクタル次元など、関心領域（ROI）に基づく脳表面形態学的パラメータを活用してきた。SHAP（SHapley Additive exPlanations）をAdaBoostのようなアルゴリズムと併用することで、鑑別診断の決定要因となる特定の生物学的マーカーを特定することが可能となる（Saglam et al., 2023）。さらに、多様なデータ領域の融合により、診断精度の限界が押し広げられている。空間領域の特徴（例：ローカルバイナリパターンを用いたテクスチャ解析）と周波数領域の特徴（例：高速フーリエ変換を用いたスペクトル解析）を組み合わせることで、AIを活用したアプローチは神経学的異常をより包括的に捉えることができる。このようなハイブリッドな特徴量融合技術は、90%を超える高い精度レベルを示しており、堅牢な臨床分類におけるその可能性を反映している（Sun et al., 2021）、（Tyagi et al., 2025）。
  • 構造画像診断により、統合失調症患者の脳における様々な形態学的変化が明らかになっていますが、従来の単変量統計手法では、個人レベルでの脳異常の多面的な性質を捉えきれないことがよくあります。こうした限界に対処するため、最近の研究では、複雑で高次元のデータを統合できる高度な機械学習（ML）フレームワークへの移行が進んでいます（Zarogianni et al., 2013; Oh et al., 2020）。この文脈において、適切なアルゴリズムの選択は極めて重要である。ディープラーニングは高い性能を発揮するが、サポートベクターマシン（SVM）のような、より単純でありながら堅牢な線形モデルは、高次元のROIデータを処理できる能力を備えつつ、多重共線性による過学習のリスクを最小限に抑えられるため、しばしば好まれる（Lee et al., 2021）。
  • 本研究では、5つの独立したデータベースにまたがる1,000人以上の被験者からなる大規模データセットに、SVMベースの機械学習モデルを適用し、「統合失調症様スコア（SPS）」の開発を目指した。SVMの堅牢な正則化特性を活用することで、多数のROIから広範な神経解剖学的情報を捉え、統合失調症の表現型に対する構造的類似性を示す、安定的かつ汎用性の高い指標の確立を目指した。我々は、統合失調症および高リスク群で観察される複雑な構造的変異を定量化するために、この簡略化されたフレームワークを提案する。SPSが神経解剖学的エンドフェノタイプを効果的に反映するならば、兄弟姉妹などの遺伝的高リスク群が中間的な構造的特徴を示すかどうかを評価するための貴重なバイオマーカーとなり得る。それにより、脳形態と遺伝的素因との関連性が明らかになる可能性がある。
  • 先制的な早期介入・予防医学への道: 「SPS（統合失調症様スコア）」を用いることで、個人の神経解剖学的な発症リスクを連続的な数値として評価できるようになります。臨床症状が全くない段階でもリスクの高い個人（兄弟姉妹など）を特定できれば、発症を防ぐためのストレス管理や環境調整などの予防的介入を、より早期かつ的確に行えるようになると期待されています。

    • 我々は、統合失調症のAIとそのスコア(SPS)を以下の手順で開発した。
    従来の単一施設での研究の限界を克服するため、    5つの独立した公開データベースから合計1,018名（健康な対照群、統合失調症患者、患者の兄弟姉妹など）の脳MRIデータを収集・分析しました。アンサンブルサポートベクターマシン（SVM）という機械学習モデルを用いて多次元的な脳の特徴を抽出し、脳の構造がどれほど統合失調症患者に似ているかを示す「統合失調症様スコア（Schizophrenia-like Score: SPS）」を算出しました。
    主な結果:
    o  開発された機械学習モデルは、統合失調症の分類において極めて高い精度（AUC=0.9986、精度97.9%）を達成しました。
    o  患者の脳では前頭葉、側頭葉、島皮質、視床などの体積減少や、淡蒼球（globus pallidus）の体積増加が一貫して見られました。
    o  未発症の兄弟姉妹は、健康な対照群と比較して、統合失調症患者に似た脳の形態を示す確率が3.8倍高いことが分かりました。
    o  新規の発見: 兄弟姉妹の脳において、「腹側線条体（ventral striatum）」の体積が有意に増加しているという新たな特徴が特定されました。この体積増加はすでに発症している患者には見られず、スコア（SPS）の高さと正の相関があったため、遺伝的脆弱性を補うための「代償機構」、あるいは一過性の「発達の遅れ（リスクマーカー）」である可能性が示唆されています。

    臨床での有用性:

  • 発症前の新たな「リスク指標（バイオマーカー）」の発見: 兄弟姉妹特有の「腹側線条体の体積増加」という構造的特徴を初めて報告した点で、画期的な研究です。これは、臨床的な精神症状が現れる前に、高リスクな個人を特定するための極めて重要な生物学的指標（エンドフェノタイプ）となります。
  • 極めて高い診断精度と汎用性の証明: 大規模かつ多施設のデータを用いて機械学習（SVM）を適用することで、施設ごとのバイアスを排除し、過去の研究を大きく上回る診断精度を達成しました。未知のデータに対しても高い汎用性（予測の信頼性）を持つことが証明されています。
  • 先制的な早期介入・予防医学への道: 「SPS（統合失調症様スコア）」を用いることで、個人の神経解剖学的な発症リスクを連続的な数値として評価できるようになります。臨床症状が全くない段階でもリスクの高い個人（兄弟姉妹など）を特定できれば、発症を防ぐためのストレス管理や環境調整などの予防的介入を、より早期かつ的確に行えるようになると期待されています。

    • 我々は、統合失調症のAIとそのスコア(SPS)を以下の手順で開発した。
    従来の単一施設での研究の限界を克服するため、    5つの独立した公開データベースから合計1,018名（健康な対照群、統合失調症患者、患者の兄弟姉妹など）の脳MRIデータを収集・分析しました。アンサンブルサポートベクターマシン（SVM）という機械学習モデルを用いて多次元的な脳の特徴を抽出し、脳の構造がどれほど統合失調症患者に似ているかを示す「統合失調症様スコア（Schizophrenia-like Score: SPS）」を算出しました。
    主な結果:
    o  開発された機械学習モデルは、統合失調症の分類において極めて高い精度（AUC=0.9986、精度97.9%）を達成しました。
    o  患者の脳では前頭葉、側頭葉、島皮質、視床などの体積減少や、淡蒼球（globus pallidus）の体積増加が一貫して見られました。
    o  未発症の兄弟姉妹は、健康な対照群と比較して、統合失調症患者に似た脳の形態を示す確率が3.8倍高いことが分かりました。
    o  新規の発見: 兄弟姉妹の脳において、「腹側線条体（ventral striatum）」の体積が有意に増加しているという新たな特徴が特定されました。この体積増加はすでに発症している患者には見られず、スコア（SPS）の高さと正の相関があったため、遺伝的脆弱性を補うための「代償機構」、あるいは一過性の「発達の遅れ（リスクマーカー）」である可能性が示唆されています。

    臨床での有用性:

  • 発症前の新たな「リスク指標（バイオマーカー）」の発見: 兄弟姉妹特有の「腹側線条体の体積増加」という構造的特徴を初めて報告した点で、画期的な研究です。これは、臨床的な精神症状が現れる前に、高リスクな個人を特定するための極めて重要な生物学的指標（エンドフェノタイプ）となります。
  • 極めて高い診断精度と汎用性の証明: 大規模かつ多施設のデータを用いて機械学習（SVM）を適用することで、施設ごとのバイアスを排除し、過去の研究を大きく上回る診断精度を達成しました。未知のデータに対しても高い汎用性（予測の信頼性）を持つことが証明されています。
  • 先制的な早期介入・予防医学への道: 「SPS（統合失調症様スコア）」を用いることで、個人の神経解剖学的な発症リスクを連続的な数値として評価できるようになります。臨床症状が全くない段階でもリスクの高い個人（兄弟姉妹など）を特定できれば、発症を防ぐためのストレス管理や環境調整などの予防的介入を、より早期かつ的確に行えるようになると期待されています。

    • 左と右の症例のMRI。このどちらが統合失調症かわかりますか？答えは左の男性。PSPの値が0.98と統合失調症に多い脳の形状変化をしめしていることがわかります。

    ２つの症例のMRI。このどちらが統合失調症かわかりますか？答えは男性の症例。PSPの値が0.98と統合失調症に多い脳の形状変化をしめしていることがわかります。

    Stacks Image 960
    Stacks Image 955
    Stacks Image 847
    Stacks Image 849

    腹側線状態の未熟（肥大化）は統合失調症の発症と関係している可能性

    統合失調症を発症した人の兄弟姉妹は、他の人よりも統合失調症を発症するリスクが高いと言われています。全く無症状で発症するリスクが高い兄弟姉妹では、一時的に腹側線条体の体積が増大していることが判明しました。これは成長とともにやがて正常の大きさに戻ることから、一時期報酬系回路に脆弱性があることが示唆されました。

    Stacks Image 997
    Stacks Image 994

    腹側線状態の未熟（肥大化）は統合失調症の発症と関係している可能性

    統合失調症を発症した人の兄弟姉妹は、他の人よりも統合失調症を発症するリスクが高いと言われています。全く無症状で発症するリスクが高い兄弟姉妹では、一時的に腹側線条体の体積が増大していることが判明しました。これは成長とともにやがて正常の大きさに戻ることから、一時期報酬系回路に脆弱性があることが示唆されました。

    Stacks Image 980
    Stacks Image 982
    脳年齢評価
    Stacks Image 1005

    脳年齢は脳の健康状態を評価するバイオマーカーとして有用であり、通常は機械学習（ML）モデルを使用して推定されます。しかし、従来のMLを用いたアプローチには、教師に実年齢を使うことで加齢に伴う生物学的な個体差を補正してしまい、加齢にともなう脳の変化の検出感度を低下させるという問題がありました。

    この限界を克服するため、我々はMLの代替として「規範的偏差マッピング（Normative Deviation Mapping: NDM）」モデルを提案しています。4歳から98歳までの健常者10,539人のMRIから得られた223の脳領域の体積データを分析しました。NDMモデルは、年齢ごとの脳体積が正規分布に従うと仮定して各領域の偏差を計算し、それらを脳全体で統合することで最終的な脳年齢を決定します。
    NDMモデルは、ニューラルネットワークやXGBoostといった標準的なMLモデルと比較して、回帰バイアスを効果的に排除しました。これにより、高齢者における脳年齢の過小評価を軽減し、アルツハイマー病などの神経変性疾患に伴う病的な変化の検出力を大幅に向上させました。
    認知機能との相関: 健常者においても、NDMモデルで推定された脳年齢は、実際の年齢（暦年齢）よりも認知機能と強い相関を示しました。

    Stacks Image 1020

    機械学習の「ブラックボックス化」とバイアスの克服: 従来のMLモデルが抱えていた統計的なバイアスを根本から解決し、正常な範囲からの逸脱（偏差）を評価するという透明性が高く理解しやすい指標を提供した点に大きな意義があります。
    疾患検出における優れた感度と堅牢性: アルツハイマー病、軽度認知障害（MCI）、前頭側頭葉変性症などの患者において、従来のMLモデルでは見逃されがちだった「脳の老化の加速」を健常者と明確に区別して捉えることに成功しており、疾患予測のための神経学的なバイオマーカーとして極めて優れています。
    生活習慣と生物学的要因の影響の解明: NDMモデルを用いることで、日々のウォーキング（歩行）時間が長いほど脳の老化が抑制されることや、アルコール摂取やアミロイドβの蓄積が脳の老化を加速させることを実証しました。これにより、脳年齢が単なる予測誤差ではなく、実際の生活習慣や病的メカニズムを反映した指標であることが証明されました。
    臨床応用への道筋: データ調和処理（ComBat-GAMなど）が病気と脳年齢の関連性（重要な生物学的情報）を意図せず弱めてしまうリスクがあることにも警鐘を鳴らしており、臨床現場でより堅牢で生物学的に意味のある脳の健康評価を行うための新しい基準を確立しました。

    この研究論論文の詳細は(Advancing brain age estimation: normative deviation mapping (NDM) for sensitive detection of pathological aging)を参照にしてください。

    Stacks Image 1022

    NDMと機械学習モデルとの違い：NDMの方が認知機能をよく反映する

    Stacks Image 1030

    NDMは白質病変による加齢化を反省する

    Stacks Image 1024

    脳年齢は脳ドックでの活用が期待できます。これまで脳ドックでは、隠れ脳梗塞、脳動脈瘤、脳腫瘍などの検出が中心でした。しかしこれからは、若いうちから脳の加齢に対する評価をすることによっていつまでも脳の機能を最高の状態に保つことが必要ではないでしょうか？本来、脳の機能はIQ試験や記憶試験など複数の認知機能検査で評価されますが、これには時間がかかり、検査を受ける側にも負担を与えます。しかし一方で、MRIによる脳の形状から脳のIQ検査結果を反映する脳年齢評価は、極めて有用と思われます。我々の脳年齢計算アルゴリズムは、IQ検査を含め様々な認知機能検査において、従来の機械学習よりも優れた相関を示し世界的な評価を受けました{42001982}。実年齢と脳年齢の差(BAG; brain-age gap)は、生活習慣の改善、脳のトレーニングにより改善することから、定期的な脳ドックでの評価により行動変容を促す効果があります。

    脳年齢は30代以降対象とした脳ドックのパラダイムシフトを引き起こす

    Stacks Image 1007

    脳年齢評価はBAAD(ver. 5)に搭載

    Stacks Image 1034

  • 脳年齢の下位4項目(判断、感情、記憶、小血管)
  • 1. 判断力の低下と関連する疾患
  • 前頭側頭型認知症 (FTD): 脳の前方の萎縮により、社会的なルールが守れなくなる、計画的な行動ができなくなる（遂行機能障害）が中核症状として現れます。
  • 血管性認知症: 脳梗塞などで前頭葉のネットワークが分断されると、意欲が低下し、複雑な判断ができなくなります。
  • 正常圧水頭症: 脳脊髄液が溜まる病気で、歩行障害や失禁とともに、顕著な判断力・集中力の低下が見られます。
  •  
  • 2. 記憶力の低下と関連する疾患
  • アルツハイマー型認知症: 最も代表的な疾患です。脳の「海馬」から萎縮が始まり、直近の出来事を覚える能力が失われます。
  • 軽度認知障害 (MCI): 認知症の前段階。記憶力の年齢評価が低い場合、数年以内にアルツハイマー病へ移行するリスクが非常に高い状態です。
  • 一過性全健忘: 突然、数時間の記憶が抜け落ちる疾患で、脳血流の一時的な障害などが疑われます。
  •  
  • 3. 感情障害（感情抑制不能・意欲低下）と関連する疾患
  • 老年期うつ病: 認知症と見分けがつきにくいですが、意欲の著しい低下（アパシー）や、悲観的な感情が支配的になります。
  • レビー小体型認知症: 幻視や睡眠時の異常行動に加え、感情の起伏が激しくなったり、逆に無反応になったりする「認知機能の変動」が特徴です。
  • パーキンソン病: ドーパミンの不足により、運動症状が出る前から意欲の低下や抑うつ状態（感情の平坦化）が現れることが多々あります。
  • 4. 白質病変（慢性虚血・小血管病）と関連する疾患
  • 脳血管性認知症: 白質病変が広がることで脳の伝達回路が壊れ、思考が遅くなる「精神緩慢」や認知機能障害を引き起こします。
  • 脳卒中（脳梗塞・脳出血）: 白質病変があることは、脳の細い血管がボロボロであることを示しており、将来の大きな脳卒中発症の強力な予測因子です。
  • 血管性パーキンソニズム: 脳の深い部分の血流障害により、パーキンソン病に似た歩行障害（小刻み歩行）や動作緩慢が起こります。
  • CADASIL（カダシル）: 遺伝的に脳の小血管が侵され、若年期から白質病変が広がり、脳卒中や認知症を繰り返す希少疾患です

    • Stacks Image 1110
    Stacks Image 1114
    　　VBM 解析は全自動
    VBM 解析は全自動
    Image
    All it takes is one-click.

    MR画像を入力して「解析」ボタンをクリックするだけで、脳の萎縮や肥大を3次元的に見ることができます。

    DICOMファイルを読み込んで、「解析」をクリックするだけでVBMの結果が得られます。症例ごとに、脳の萎縮部位や肥大化部位がわかります。また、グループ対グループの統計学的解析も実施できます。
    新しいBAAD (ver.5)では、MNI座標への非線形変換を従来のDARTELからgeodesic shootingに変更しました。
    これはDARTELのように一連の速度場に対して最適化を行うのではなく、初期速度のみを推定しており、これまでのLDDMMよりも精度が高いと言われています。
    AI    に学習させるMR画像をVBMにより処理して標準化することにより、leakageにつながる不必要な情報を除去します。具体的には、脳の形状の統一、体積を信号強度へ変換、頭蓋内総体積（TIV）や年齢などの共変量による補正を実施しています。
    AAL、LPBA、Brodmannアトラスによるの構造的な分画法を採用しています。これらのアトラスは、神経回路網の単位をある程度反映していると考えられます。複数のアトラスを用いることで、機械学習の際に特徴量の最適な重み付けが容易になり、解剖学的な境界と病理学的な境界の不一致を補うことができると考えられます。

    DICOMファイルを読み込んで、「解析」をクリックするだけでVBMの結果が得られます。症例ごとに、脳の萎縮部位や肥大化部位がわかります。また、グループ対グループの統計学的解析も実施できます。
    新しいBAAD (ver.5)では、MNI座標への非線形変換を従来のDARTELからgeodesic shootingに変更しました。これはDARTELのように一連の速度場に対して最適化を行うのではなく、初期速度のみを推定しており、これまでのLDDMMよりも精度が高いと言われています。
    AI    に学習させるMR画像をVBMにより処理して標準化することにより、leakageにつながる不必要な情報を除去します。具体的には、脳の形状の統一、体積を信号強度へ変換、頭蓋内総体積（TIV）や年齢などの共変量による補正を実施しています。
    AAL、LPBA、Brodmannアトラスによるの構造的な分画法を採用しています。これらのアトラスは、神経回路網の単位をある程度反映していると考えられます。複数のアトラスを用いることで、機械学習の際に特徴量の最適な重み付けが容易になり、解剖学的な境界と病理学的な境界の不一致を補うことができると考えられます。 AAL、LPBA、Brodmannアトラスによるの構造的な分画法を採用しています。これらのアトラスは、神経回路網の単位をある程度反映していると考えられます。複数のアトラスを用いることで、機械学習の際に特徴量の最適な重み付けが容易になり、解剖学的な境界と病理学的な境界の不一致を補うことができると考えられます。

    Image

    MR画像を入力して「解析」ボタンをクリックするだけで、脳の萎縮や肥大を3次元的に見ることができます。

    BAAD サーバーシステムの導入
    BAAD サーバーシステムの導入

    病院やクリニックにBAADサーバーシステムを導入してはいかがでしょうか。これまでスタッフが行ってきたBAAD解析を自動で行うことができるようになります。MR装置からDICOMファイルの取り出し、BAAD解析、結果を紙に印刷あるいはDICOM変換してPACSに送りかえす、といった労力が省略され解析漏れのリスクがなくなります。MR装置からDICOMファイルをBAADサーバーに送信しておきます。BAADクライアントは、BAADサーバーを監視し、新しいDICOMファイルを検出すると、自動的に解析を開始し、その結果をBAADサーバー経由でPACSに送り返します。この自動化システムは、VSRAD*などの他のアプリケーションにも対応できます。そのため、医師はBAADやVSRADの結果をMR画像とともにPACSを介して電子カルテで確認することができます。
    BAAD    ビューアを電子カルテを搭載したPCにインストールしておくことにより、より詳細な解析をその場で行うことができます。例えば、BAADビューア画面上で症例のMMSEスコアを入力すると、BAAD-AIが脳MRIの結果にこの情報を加えて、新たな予測結果を表示します。MRIを含めた解析結果はBAADサーバーに保存・管理され、長期間の経時的解析を可能にします。

    *VSRAD自体の配付は行っていませんので、ご自身でご用意下さい。ご用意いただいたVSRADをBAAD clientにインストールしておけば、自動化されます。

    Image
    Synchronize with your PACS

    BAADやVSRADの解析結果をレポートするのに手間がかかって煩雑ではありませんか？BAADサーバーシステムを導入すると、このような作業から解放されます。導入を希望される場合、どうぞ遠慮なくご相談ください。

    BAADサーバーシステムはご自身でセットアップすることも可能ですが、サポートが必要な場合は我々にご連絡 (contact me)ください。

    また、総合的なサポートをL.A.Systemsに依頼することもできます。

    病院やクリニックにBAADサーバーシステムを導入してはいかがでしょうか。これまでスタッフが行ってきたBAAD解析を自動化できます。MR装置からDICOMファイルの取り出し、BAAD解析、結果を紙に印刷あるいはDICOM変換してPACSに送りかえす、といったスタッフの労力が省略され解析漏れのリスクがなくなります。
    MR    装置からDICOMファイルをBAADサーバーに送信しておきます。BAADクライアントは、BAADサーバーを監視し、新しいDICOMファイルを検出すると、自動的に解析を開始し、その結果をBAADサーバー経由でPACSに送り返します。この自動化システムは、VSRAD*などの他のアプリケーションにも対応できます。そのため、医師はBAADやVSRADの結果をMR画像とともにPACSを介して電子カルテで確認することができます。
    BAADビューアを外来のPCにインストールしておくことにより、より詳細な解析をその場で行うことができます。例えば、症例のMMSEスコアをBAADビューアに入力すると、BAAD-AIが脳MRIの結果にこの情報を加えて、新たな予測結果を表示します。MRIを含めた解析結果はBAADサーバーに保存・管理され、長期間の経時的解析を可能にします。

    BAADサーバーシステムはご自身でセットアップすることも可能ですが、サポートが必要な場合はご連絡ください。また、L.A.Systemsに依頼することもできます。
    *VSRADはご自身でご用意下さい。VSRADをBAAD clientにインストールすれば、自動化されます。

    Image

    BAADやVSRADの解析結果をレポートするのが煩雑ではありませんか？BAADサーバーシステムの導入により、このような作業から解放されます。

    BAAD 拡張機能
    BAAD 拡張機能

    BAADを介してSPM12やCAT12が使えます。VBMの検定ではpermutation testやTFCEを利用することが可能です。SPMの検定で標準装備されているrandom field theory (RFT)の場合に問題となる non-stationary の補正も実施できます。
    VBM    以外に、surface-based morphometry（SBM）やtensor-based morphometry（TBM）を実施することもできます。
    白質病変の体積を測定することができ、これは脳室周囲の白質病変と深部白質病変に分けて計測します。側脳室の体積の計測も可能です。
    また、磁気共鳴画像（MRI）のデータに機械学習を適用することで、脳の生物学的年齢を推定することができます。BAADでは、eXtreme Gradient Boosting（XGBoost）を用いて患者の生物学的年齢を表示します。我々が独自に開発したアルゴリズムにより、3D-T1強調画像のみから正確に白質病変を検出し、脳年齢のアルゴリズムに加えています。生物学的脳年齢と実年齢のギャップは、過去および現在進行中の神経生物学的老化プロセスを反映している可能性があります。

    BAADを介してSPM12やCAT12が使えます。VBMの検定ではpermutation testやTFCEを利用することが可能です。SPMの標準装備であるrandom field theory (RFT)の場合に問題となる non-stationary の補正も実施できます。
    VBM    に加えて、surface-based morphometry（SBM）やtensor-based morphometry（TBM）を実施することもできます。
    白質病変の体積を測定することができ、これは脳室周囲の白質病変と深部白質病変に分けて計測します。側脳室の体積の計測も可能です。
    また、磁気共鳴画像（MRI）のデータに機械学習を適用することで、脳の生物学的年齢を推定することができます。BAADでは、eXtreme Gradient Boosting（XGBoost）を用いて患者の生物学的年齢を表示します。我々が独自に開発したアルゴリズムにより、3D-T1強調画像のみから正確に白質病変を検出し、脳年齢のアルゴリズムに加えています。生物学的脳年齢と実年齢のギャップは、過去および現在進行中の神経生物学的老化プロセスを反映している可能性があります。

    • Image ALT tag
    • Image ALT tag
    • Image ALT tag
    • Image ALT tag
    • Image ALT tag
    • Image ALT tag
    • Image ALT tag
    • Image ALT tag
    • Image ALT tag
    • Image ALT tag
    • Image ALT tag
    • 脳年齢はBAADで解析
    • Image ALT tag
    • Image ALT tag
    • Image ALT tag
    • Image ALT tag
    • Image ALT tag
    • Image ALT tag
    • surface-based analysis by BAAD
    • Tensor-based morphometry by BAAD

    　BAADを始めるには？

    BAADを始めるには？

    BAADの導入は簡単です。ダウンロード後、指示に従ってインストールしてください。デスクトップに表示されたBAADのアイコンをダブルクリックして起動すると、トップパネルが開きます。解析したいデータを入力して、「解析」ボタンをクリックしてください。あとは全自動で実行されます。

    データを入力するためには、DICOMファイルをNIfTI形式に変換する必要があります。NIfTI形式に変換すると、データ中の個人情報が匿名化されますので、BAADはDICOMのヘッダーから名前、年齢、性別の情報を抽出してNIfTIファイルに登録します。このようにして、年齢と性別をVBM解析の共変量として使用することができます。

    BAAD Top panel

    Image

    ここでは解析するファイルをインポートします。インポートできるデータはNIfTI形式ですが、Analyze 7.5も可能です。DICOMファイルの場合は、NIfTI形式に変換する必要があります。

    BAADの導入は簡単です。ダウンロード後、指示に従ってインストールしてください。デスクトップに表示されたBAADのアイコンをダブルクリックして起動すると、トップパネルが開きます。解析したいデータを入力して、「解析」ボタンをクリックしてください。あとは全自動で実行されます。

    データを入力するためには、DICOMファイルをNIfTI形式に変換する必要があります。NIfTI形式に変換すると、データ中の個人情報が匿名化されますので、BAADはDICOMのヘッダーから名前、年齢、性別の情報を抽出してNIfTIファイルに登録します。このようにして、年齢と性別をVBM解析の共変量として使用することができます。

    BAAD Top panel
    Image

    ここでは解析するファイルをインポートします。インポートできるデータはNIfTI形式ですが、Analyze 7.5も可能です。DICOMファイルの場合は、NIfTI形式に変換する必要があります。

    DICOM to NIfTI conversion

    Image

    DICOMファイルの変換は4通りあります。 DICOMファイルを1枚ずつ選択する方法、1つのフォルダとして指定する方法、複数のフォルダを一挙に指定する方法、DICOM画像を確認しながら指定する方法です。 最後の方法では、BAADが自動認識に必要とするNIfTI形式（3DT1、FLAIR）のファイル名を変更することができます。

    DICOMファイルは、MRコンソールから直接受け取る以外に、CDを媒体とする場合があります。この場合、MR装置のベンダーごとにDICOMファイルが修飾されていますので、うまく対応できない場合があります。

    Check DICOM images

    Image

    ここでは複数のDICOMシリーズが画像として提示されます。3DT1WI、FLAIR、T2WI、MRAなどを確認し、異なる場合はここで修正することができます。

    Start to analyze

    Image

    VBMの解析方法を設定をします。 ここでは、AIの種類、灰白質/白質の設定、共変量、対照群、使用するアトラス(ROI)を指定できます。

    Show the results

    Image

    症例を指定して結果を表示させます。脳の萎縮や肥大の部位を確認できます。閾値、スライス方向、スライス間隔などの変更が可能です。群間検定の場合RFTによるFWE補正をします。

    DICOM to NIfTI conversion
    DICOMファイルは、MRコンソールから直接受け取る以外に、CDを媒体とする場合があります。この場合、MR装置のベンダーごとにDICOMファイルが修飾されていますので、うまく対応できない場合があります。
    Image

    DICOM変換；４つの方法

    DICOMファイルの変換は4通りあります。
    DICOM    ファイルを1枚ずつ選択する方法、1つのフォルダとして指定する方法、複数のフォルダを一挙に指定する方法、DICOM画像を確認しながら指定する方法です。
    最後の方法では、BAADが自動認識に必要とするNIfTI形式（3DT1、FLAIR）のファイル名を変更することができます。
    Check DICOM images
    Image

    ここでは複数のDICOMシリーズが画像として提示されます。3DT1WI、FLAIR、T2WI、MRAなどを確認し、異なる場合はここで修正することができます。

    Start to analyze
    Image

    SVBMの解析方法を設定をします。

    ここでは、AIの種類、灰白質/白質の設定、共変量、対照群、使用するアトラス(ROI)を指定できます。
    Show the results
    Image

    解析結果を見ることができます。

    症例を指定して結果を表示させます。脳の萎縮や肥大の部位を確認できます。閾値、スライス方向、スライス間隔などの変更が可能です。群間検定の場合RFTによるFWE補正をします。
    Gray/White matter VBM
    Image

    AIによるADLS、白質だけでなく灰白質のVBMの結果、白質病変や側脳室の容積などもPDFとして保存されます。

    Gray/White matter VBM
    Image

    AIによるADLS、白質だけでなく灰白質のVBMの結果、白質病変や側脳室の容積などもPDFとして保存されます。

    　BAAD解析に向けての準備

    BAAD解析に向けての準備

    MRI装置から直接DICOMファイルを受信するDICOM receiverを設置すると便利ですが、BAAD server systemを導入するとさらに便利です。DICOM receiverを自作する場合は、Conquest DICOM などのフリーソフトを使用するとよいでしょう。また、患者が持ち込んだCDからDICOMファイルを読み込むことも可能です。MR装置のベンダーごとにCDへの出力方法が異なり、DICOMファイルの読み込みが困難な場合があります。このような場合には、BAADのDICOMインポート機能を使ってみてください。
    BAAD server systemは、BAAD server、BAAD client、BAAD viewerの３つのコンポーネントで構成されています。BAAD serverはMR装置から送られてきたDICOM ファイルを保存・管理します。BAAD clientはBAAD serverにあるデータを監視し、新しいデータであればBAAD解析を実施します。BAAD viewerを電子カルテに組み込むか、電子カルテと同じPCにインストールしておくと、BAAD clientが解析した結果を呼び出し、その場で新たな解析を実行することができます。例えば外来で実施したMMSEの結果を入力すると、脳の画像と合わせた予測結果を再表示します。
    BAAD serveにはPACSの機能がありますので、小規模な病院やクリニックではPACSとして使うことも可能です。

    Stacks Image 221

    MRI装置から直接DICOMファイルを受信するDICOM receiverを設置すると便利ですが、BAAD server systemを導入するとさらに便利です。DICOM receiverを自作する場合は、Conquest DICOM などのフリーソフトを使用するとよいでしょう。また、患者が持ち込んだCDからDICOMファイルを読み込むことも可能です。MR装置のベンダーごとにCDへの出力方法が異なり、DICOMファイルの読み込みが困難な場合があります。このような場合には、BAADのDICOMインポート機能を使ってみてください。
    BAAD server system    は、BAAD server、BAAD client、BAAD viewerの３つのコンポーネントで構成されています。BAAD serverはMR装置から送られてきたDICOM ファイルを保存・管理します。BAAD clientはBAAD serverにあるデータを監視し、新しいデータであればBAAD解析を実施します。BAAD viewerを電子カルテに組み込むか、電子カルテと同じPCにインストールしておくと、BAAD clientが解析した結果を呼び出し、その場で新たな解析を実行することができます。例えば外来で実施したMMSEの結果を入力すると、脳の画像と合わせた予測結果を再表示します。
    BAAD serve    にはPACSの機能がありますので、小規模な病院やクリニックではPACSとして使うことも可能です。

    Stacks Image 539

    BAADが採用しているIXIデータベースでは、ボクセルサイズが0.9375×0.9375×1.2mmなので、撮像の解像度は1mm立方に近いサイズが良いでしょう。T1強調3次元MP-RAGEシーケンスがよく使われています。
    例えば
    1.5T (Gyroscan): TR/TE=9.813/4.603, FA=8, FOV=240, 256x256x150
    3.0T (Intera 3T): TR/TE=9.600/4.603, FA=8, FOV=240, 256×256×150
    脳の3Dイメージングでは、灰白質と白質のコントラストを高く保つことが必要です。矢状断を推奨しますが、水平断や冠状断でも解析可能です。
    BAADでは、病的変化を正確に捉えるために、Markov-MAP法を用いてセグメンテーションを行います。FLAIR画像があれば、3D-T1強調画像で補完して白質病変を抽出し、補正することができます。この機能を使って、白質病変の体積を測定します。補完はしますが、FLAIR画像はできるだけ薄いスライスでギャップレスがよいでしょう。3D-FLAIR画像の場合は、3D-T1強調画像と同じスライスでの撮像が理想的です。

    BAADの結果を症例ごとに管理するためには、BAAD clientやBAAD viewerと連携できるBAAD server systemを導入する必要があります。ユーザー自身で設定することもできますし、我々のサポートを受けることもできます。お気軽にお問い合わせください。

    Stacks Image 228

    BAADが採用しているIXIデータベースのボクセルサイズは、0.9375×0.9375×1.2mmなので、撮像の解像度は1mm立方に近いサイズが良いでしょう。T1強調3次元MP-RAGEシーケンスがよく使われています。
    例えば

    1.5T (Gyroscan): TR/TE=9.813/4.603, FA=8, FOV=240, 256x256x150
    3.0T (Intera 3T): TR/TE=9.600/4.603, FA=8, FOV=240, 256×256×150

    脳の3Dイメージングでは、灰白質と白質のコントラストを高く保つことが必要です。矢状断を推奨しますが、水平断や冠状断でも解析可能です。
    BAAD    では、病的変化を正確に捉えるために、Markov-MAP法を用いてセグメンテーションを行います。FLAIR画像があれば、3D-T1強調画像で補完して白質病変を抽出し、補正することができます。この機能を使って、白質病変の体積を測定します。補完はしますが、FLAIR画像はできるだけ薄いスライスでギャップレスがよいでしょう。3D-FLAIR画像の場合は、3D-T1強調画像と同じスライスでの撮像が理想的です。
    BAADの結果を症例ごとに管理するためには、BAAD clientやBAAD viewerと連携できるBAAD server systemを導入する必要があります。ユーザー自身で設定することもできますし、我々のサポートを受けることもできます。お気軽にお問い合わせください。

    Stacks Image 543

    図は、BAADのコントロールグループとして使用したIXIデータベースの画質（IQR）の結果です。中央値は85.59で、範囲は86.06から80.76まででした。これはIQRのクラスでBに相当します。
    IQRは、MR画像の品質を知ることができます。可能であれば、IQRが80以上の画質が良いでしょう。

    Stacks Image 376

    図は、BAADのコントロールグループとして使用したIXIデータベースの画質（IQR）の結果です。中央値は85.59で、範囲は86.06から80.76まででした。

    Stacks Image 547

    　最新情報

    最新情報

    A paper related to BAAD has been published (please cite it for reference).

    Kondo K, Kadota A, Torii S, Sekikawa A, Fujiyoshi A, Miyagawa N, Kawashima M,
    Miyazawa I, Harada A, Hisamatsu T, Oki M, Shiino A, Watanabe Y, Miura K; SESSA
    Research Group; Principal investigator; Previous principal investigator;
    Research members. Differential Associations of Docosahexaenoic and
    Eicosapentaenoic Acid with Brain Structure in Older Japanese Women. J Nutr. 2026
    Jul 25;156(9):101747. PMID: 42501825.
     
    Manabu I, Tanigaki K, Ogawa N, Nitta N, Shiino A. Machine learning-based
    morphological brain analysis in schizophrenia and unaffected siblings: a
    multisite study of potential risk markers. Front Neurosci. 2026 May
    20;20:1688282. PMID: 42246033; PMCID:
     
    Shiino A, Tanigaki K, Oki M, Watanabe Y. Advancing brain age estimation:
    normative deviation mapping (NDM) for sensitive detection of pathological aging.
    Neuroimage. 2026 Jun;333:121927. Epub 2026 Apr 18. PMID: 42001982.
     
    Ahmed S, Hexun Z, Yano Y, Okami Y, Azahar NM, Kondo K, Arima H, Torii S,
    Moniruzzaman M, Ganbaatar G, Kadota A, Andoh A, Shiino A, Ueshima H, Miura K;
    SESSA Research Group. Relationship between Gut microbiome and brain volumes
    among Japanese Men. PLoS One. 2025 Oct 7;20(10):e0333612. PMID: 41056270.
     
    Shiino A. [Neuroimaging in Dementia Diagnosis:Up to Date]. No Shinkei Geka.
    2025 Sep;53(5):893-922. Japanese. PMID: 41047644.
     
    Ito T, Fujiyoshi A, Ohkubo T, Shiino A, Shitara S, Miyagawa N, Torii S,
    Hisamatsu T, Segawa H, Kondo K, Kadota A, Tooyama I, Watanabe Y, Yoshida K,
    Nozaki K, Miura K. Asymptomatic Intracranial Vascular Lesions and Cognitive
    Function in a General Population of Japanese Men: Shiga Epidemiological Study of
    Subclinical Atherosclerosis (SESSA). Cerebrovasc Dis. 2026;55(2):251-261. PMID: 40505633.
     
    Azahar NM, Yano Y, Kadota A, Shiino A, Syaifullah AH, Miyagawa N, Kondo K,
    Moniruzzaman M, Torii S, Segawa H, Hisamatsu T, Fujiyoshi A, Nozaki K, Tooyama
    I, Ueshima H, Miura K; SESSA Research Group. Association of Arterial Stiffness
    and Atherosclerotic Burden With Brain Structural Changes Among Japanese Men. J
    Am Heart Assoc. 2023 Jun 6;12(11):e028586. Epub2023 May 26. PMID: 37232267.
     
    Shiino A, Shirakashi Y, Ishida M, Tanigaki K; Japanese Alzheimer's Disease
    Neuroimaging Initiative. Machine learning of brain structural biomarkers for
    Alzheimer's disease (AD) diagnosis, prediction of disease progression, and
    amyloid beta deposition in the Japanese population. Alzheimers Dement (Amst).
    2021 Oct 14;13(1):e12246. PMID: 34692983.
     
    Syaifullah AH, Shiino A, Kitahara H, Ito R, Ishida M, Tanigaki K. Machine
    Learning for Diagnosis of AD and Prediction of MCI Progression From Brain MRI
    Using Brain Anatomical Analysis Using Diffeomorphic Deformation. Front Neurol.
    2021 Feb 5;11:576029. PMID: 33613411.



    A new version (ver. 5.0 beta) of BAAD will be released.

  • Faster and more stable download (smaller size than before).
  • Using geodesic shooting instead of Dartel.
  • Calculate the extension of the white matter lesions (FLAIR images are required).
  • Brain age estimation from brain volume and white matter lesions.
  • Calculate the volume of lateral ventricles for hydrocephalus.
  • Equipped with artificial intelligence (only Alzheimer's disease will be released at this time).
  • Extending functions such as permutation, TFCE analysis, TBM, SBM, etc. are available.

    • BAAD関連の論文です。BAADを使った場合、引用して下さい。

    Kondo K, Kadota A, Torii S, Sekikawa A, Fujiyoshi A, Miyagawa N, Kawashima M,
    Miyazawa I, Harada A, Hisamatsu T, Oki M, Shiino A, Watanabe Y, Miura K; SESSA
    Research Group; Principal investigator; Previous principal investigator;
    Research members. Differential Associations of Docosahexaenoic and
    Eicosapentaenoic Acid with Brain Structure in Older Japanese Women. J Nutr. 2026
    Jul 25;156(9):101747. PMID: 42501825.
     
    Manabu I, Tanigaki K, Ogawa N, Nitta N, Shiino A. Machine learning-based
    morphological brain analysis in schizophrenia and unaffected siblings: a
    multisite study of potential risk markers. Front Neurosci. 2026 May
    20;20:1688282. PMID: 42246033; PMCID:
     
    Shiino A, Tanigaki K, Oki M, Watanabe Y. Advancing brain age estimation:
    normative deviation mapping (NDM) for sensitive detection of pathological aging.
    Neuroimage. 2026 Jun;333:121927. Epub 2026 Apr 18. PMID: 42001982.
     
    Ahmed S, Hexun Z, Yano Y, Okami Y, Azahar NM, Kondo K, Arima H, Torii S,
    Moniruzzaman M, Ganbaatar G, Kadota A, Andoh A, Shiino A, Ueshima H, Miura K;
    SESSA Research Group. Relationship between Gut microbiome and brain volumes
    among Japanese Men. PLoS One. 2025 Oct 7;20(10):e0333612. PMID: 41056270.
     
    Shiino A. [Neuroimaging in Dementia Diagnosis:Up to Date]. No Shinkei Geka.
    2025 Sep;53(5):893-922. Japanese. PMID: 41047644.
     
    Ito T, Fujiyoshi A, Ohkubo T, Shiino A, Shitara S, Miyagawa N, Torii S,
    Hisamatsu T, Segawa H, Kondo K, Kadota A, Tooyama I, Watanabe Y, Yoshida K,
    Nozaki K, Miura K. Asymptomatic Intracranial Vascular Lesions and Cognitive
    Function in a General Population of Japanese Men: Shiga Epidemiological Study of
    Subclinical Atherosclerosis (SESSA). Cerebrovasc Dis. 2026;55(2):251-261. PMID: 40505633.
     
    Azahar NM, Yano Y, Kadota A, Shiino A, Syaifullah AH, Miyagawa N, Kondo K,
    Moniruzzaman M, Torii S, Segawa H, Hisamatsu T, Fujiyoshi A, Nozaki K, Tooyama
    I, Ueshima H, Miura K; SESSA Research Group. Association of Arterial Stiffness
    and Atherosclerotic Burden With Brain Structural Changes Among Japanese Men. J
    Am Heart Assoc. 2023 Jun 6;12(11):e028586. Epub2023 May 26. PMID: 37232267.
     
    Shiino A, Shirakashi Y, Ishida M, Tanigaki K; Japanese Alzheimer's Disease
    Neuroimaging Initiative. Machine learning of brain structural biomarkers for
    Alzheimer's disease (AD) diagnosis, prediction of disease progression, and
    amyloid beta deposition in the Japanese population. Alzheimers Dement (Amst).
    2021 Oct 14;13(1):e12246. PMID: 34692983.
     
    Syaifullah AH, Shiino A, Kitahara H, Ito R, Ishida M, Tanigaki K. Machine
    Learning for Diagnosis of AD and Prediction of MCI Progression From Brain MRI
    Using Brain Anatomical Analysis Using Diffeomorphic Deformation. Front Neurol.
    2021 Feb 5;11:576029. PMID: 33613411.





    A new version (ver. 4.3) of BAAD has been released.
    1. Faster and more stable download.
    2. Automatically corrects for white matter lesions during segmentation (FLAIR images are required).
    3. Calculates the volume of white matter lesions.
    4. It can calculate the volume of lateral ventricles.
    5. Equipped with artificial intelligence (only Alzheimer's disease is supported at this time).

    6. Permutation, TFCE analysis, TBM, SBM, etc. are available.

    3. Calculates the volume of white matter lesions.
    4. It can calculate the volume of lateral ventricles.
    5. Equipped with artificial intelligence (only Alzheimer's disease is supported at this time).
    6. Permutation, TFCE analysis, TBM, SBM, etc. are available.

    Stacks Image 818

    Textbook for VBM

    【理論編】
    ベイズの定理、最尤推定、相互情報量、マルコフ確率場、線形モデル、SPMにおける統計学（検定の多重度、多重検定の補正、検定水準、並べ替え検定、TFCE）、座標変換、Dartel、Geodesic shoot
    【基礎編】
    画像データのファイル形式、脳の座標空間、解析のための前処理（AC-PC補正、信号値の不均一性の補正、組織のセグメンテーション、ガウス混合モデル、MNI空間へのワープ、変調と濃度の違い、頭蓋内容積、脳白質病変の容積計算）（脳白質病変の容積計算）、VBM、TBM、SBM、皮質厚測定、フラクタル次元、人工知能
    【実践編】
    BAADのインストールと使用方法（データの管理方法、カスタムROIの作成方法などを含む
    SPM12の使い方（SPM12を用いたVBM、TBM、geodesic shoot、Dartel、MNI空間への変換など
    SBMの手法（CAT12を用いたVBM、SBMの手法など

    Stacks Image 816

    Textbook for VBM
    【理論編】
    ベイズの定理、最尤推定、相互情報量、マルコフ確率場、線形モデル、SPMにおける統計学（検定の多重度、多重検定の補正、検定水準、並べ替え検定、TFCE）、座標変換、Dartel、Geodesic shoot
    【基礎編】
    画像データのファイル形式、脳の座標空間、解析のための前処理（AC-PC補正、信号値の不均一性の補正、組織のセグメンテーション、ガウス混合モデル、MNI空間へのワープ、変調と濃度の違い、頭蓋内容積、脳白質病変の容積計算）（脳白質病変の容積計算）、VBM、TBM、SBM、皮質厚測定、フラクタル次元、人工知能
    【実践編】
    BAAD    のインストールと使用方法（データの管理方法、カスタムROIの作成方法などを含む
    SPM12    の使い方（SPM12を用いたVBM、TBM、geodesic shoot、Dartel、MNI空間への変換など
    SBMの手法（CAT12を用いたVBM、SBMの手法など

    Akihiko Shiino, M.D., Ph.D. Contact Me