Prostate
研究の概要

Prostate MRのデータベースの構築を2017年頃から始めました。最初の数年はデータベースの構築と画像の整理に注力していましたが、最近になりようやく軌道に乗り論文も出始めました。

#4-5：前立腺MRでのperformance metricsとしてCDR (cancer detection rate)とAIR(abnormal interpretation rate)を併用することを提言しました。CDR, AIRともmammographyのperformance metricsとして使われていますが、prostate MRでは今まで報告がありませんでした。

#6：人工股関節術後によるDWIのアーティファクトが前立腺MRの診断能へ及ぼす影響を調べました。診断能への影響はいままではPPV(positive predictive value)を指標として使っている論文が多かったのですが、CDRを使う利点を示しました。CDR = AIR * PPVの関係があり、PPVだけでは診断能は判断できない可能性があります。

#7：前立腺MRの画像（T2、DWI、DCE）を用いて前立腺癌の診断する深層学習モデルを作成し報告しました。教師ラベルとして患者レベルでの癌の有無だけを使い、癌の位置はラベルとして使わないモデルです。病変位置のアノテーションの手間が省ける利点があります。

#8：MRのT2WIの再構成の論文。(コレスポはDr. Riederer)

#9：前立腺のzonal segmentationの深層学習モデル（Unet）を作りました。このモデルを用いることによって、通常のPSAD（PSA density）の他にtransition zone volumeを使ってTZ-PSADも計算できるようになりました。TZ-PSADの方がPSADより前立腺癌の診断能が高いことを報告しました。

#10：前立腺MRでの生検をされていない症例の結果を生検されている症例の結果から予測することによりsensitivity, specificity, AUCなどperformance metricsを計算しました。

#11：カルテから前立腺MRの読影の際に必要な情報を取得する深層学習モデルを作成し報告しました。前立腺癌の既往・治療の有無、家族歴、直腸診、前立腺生検の有無を取得しました。BERTという初期のLanguage Modelで放射線科医に近い精度で情報を取得することができました。

#12：前立腺MRで人工股関節術後によるDWIのアーティファクトを1.5Tと3Tの両方で検査された患者で検討しました。1.5Tでの方が少ないことが多いことを報告しました。(コレスポは川嶋先生)

#13：前立腺MRのレポートの情報から前立腺癌の診断するモデルを作成し報告しました。PI-RADS score, PSADが最も重要な因子ですが、病変のADC値をモデルに使えないか検討しました。Internal test setではADC値が有用な因子でしたが、external test setではADC値を含めてもモデルの向上が見られませんでした。

#14：前立腺MRのコイル論文。(コレスポはDr. Riederer)

#15：前立腺MRのT2WIの画質の評価する深層学習モデルを作成し報告しました。(コレスポはDr. Riederer)

#16：前立腺MRのT2WIでPI-RADS2.1で規定されている平面解像度（0.70mm x 0.40mm）の代わりに0.57mm x 0.50mmで撮像することにより撮像時間短縮・画質向上することができることを報告しました。(コレスポはDr. Riederer)

論文
  1. Riederer, S. J., Borisch, E. A., Froemming, A. T., Grimm, R. C., Hassanzadeh, S., Kawashima, A., Takahashi, N., & Thomas, J. (2025). Improved image quality and reduced acquisition time in prostate T2-weighted spin-echo MRI using a modified PI-RADS-adherent sequence. European Radiology Experimental, 9(1), 55. https://doi.org/10.1186/s41747-025-00595-w
  2. Gloe, J. N., Borisch, E. A., Froemming, A. T., Kawashima, A., LeGout, J. D., Nakai, H., Takahashi, N., & Riederer, S. J. (2025). Deep learning for quality assessment of axial T2-weighted prostate MRI: A tool to reduce unnecessary rescanning. European Radiology Experimental, 9(1), 44. https://doi.org/10.1186/s41747-025-00584-z
  3. Riederer, S. J., Borisch, E. A., Du, Q., Froemming, A. T., Hulshizer, T. C., Kawashima, A., McGee, K. P., Robb, F., Rossman, P. J., & Takahashi, N. (2025). Application of high-density 2D receiver coil arrays for improved SNR in prostate MRI. Magnetic Resonance in Medicine, 93(2), 850–863. https://doi.org/10.1002/mrm.30289
  4. Nakai, H., Takahashi, H., LeGout, J. D., Kawashima, A., Froemming, A. T., Klug, J. R., Korfiatis, P., Lomas, D. J., Humphreys, M. R., Dora, C., & Takahashi, N. (2025). Prostate Cancer Risk Prediction Model Using Clinical and Magnetic Resonance Imaging–Related Findings: Impact of Combining Lesions’ Locations and Apparent Diffusion Coefficient Values. Journal of Computer Assisted Tomography, 49(2), 247–257. https://doi.org/10.1097/RCT.0000000000001679
  5. Nakai, H., Takahashi, N., Sugi, M. D., Wellnitz, C. V., Thompson, C. P., & Kawashima, A. (2024). Image quality comparison of 1.5T and 3T prostate MRIs of the same post-hip arthroplasty patients: Multi-rater assessments including PI-QUAL version 2. Abdominal Radiology, 49(11), 3913–3924. https://doi.org/10.1007/s00261-024-04483-6
  6. Nakai, H., Suman, G., Adamo, D. A., Navin, P. J., Bookwalter, C. A., LeGout, J. D., Chen, F. K., Wellnitz, C. V., Silva, A. C., Thomas, J. V., Kawashima, A., Fan, J. W., Froemming, A. T., Lomas, D. J., Humphreys, M. R., Dora, C., Korfiatis, P., & Takahashi, N. (2024). Natural language processing pipeline to extract prostate cancer-related information from clinical notes. European Radiology, 34(12), 7878–7891. https://doi.org/10.1007/s00330-024-10812-6
  7. Nakai, H., Takahashi, H., LeGout, J. D., Kawashima, A., Froemming, A. T., Lomas, D. J., Humphreys, M. R., Dora, C., & Takahashi, N. (2024). Estimated diagnostic performance of prostate MRI performed with clinical suspicion of prostate cancer. Insights into Imaging, 15(1), 271.https://doi.org/10.1186/s13244-024-01845-y
  8. Kuanar, S., Cai, J. C., Nakai, H., Takahashi, H., LeGout, J. D., Kawashima, A., Froemming, A. T., Mynderse, L. A., Dora, C., Humphreys, M. R., Klug, J., Korfiatis, P., Erickson, B., & Takahashi, N. (2024). Transition-Zone PSA-Density Calculated from MRI Deep Learning Prostate Zonal Segmentation Model for Prediction of Clinically Significant Prostate Cancer. Abdominal Radiology, 49(10), 3722-3734. https://doi.org/10.1007/s00261-024-04301-z
  9. Riederer, S. J., Borisch, E. A., Froemming, A. T., Kawashima, A., & Takahashi, N. (2024). Comparison of model-based versus deep learning-based image reconstruction for thin-slice T2-weighted spin-echo prostate MRI. Abdominal Radiology, 49(8), 2921–2931.https://doi.org/10.1007/s00261-024-04256-1
  10. Cai, J. C., Nakai, H., Kuanar, S., Froemming, A. T., Bolan, C. W., Kawashima, A., Takahashi, H., Mynderse, L. A., Dora, C. D., Humphreys, M. R., Korfiatis, P., Rouzrokh, P., Bratt, A. K., Conte, G. M., Erickson, B. J., & Takahashi, N. (2024). Fully Automated Deep Learning Model to Detect Clinically Significant Prostate Cancer at MRI. Radiology, 312(2), e232635. https://doi.org/10.1148/radiol.232635
  11. Nakai, H., Takahashi, H., Adamo, D. A., LeGout, J. D., Kawashima, A., Thomas, J. V., Froemming, A. T., Kuanar, S., Lomas, D. J., Humphreys, M. R., Dora, C., & Takahashi, N. (2024). Decreased prostate MRI cancer detection rate due to moderate to severe susceptibility artifacts from hip prosthesis. European Radiology, 34(5), 3387-3393. https://doi.org/10.1007/s00330-023-10345-4
  12. Nagayama, H., Nakai, H., Takahashi, H., Froemming, A. T., Kawashima, A., Bolan, C. W., Adamo, D. A., Carter, R. E., Fazzio, R. T., Tsuji, S., Lomas, D. J., Mynderse, L. A., Humphreys, M. R., Dora, C., & Takahashi, N. (2024). Cancer Detection Rate and Abnormal Interpretation Rate of Prostate MRI Performed for Clinical Suspicion of Prostate Cancer. Journal of the American College of Radiology, 21(3), 398–408. https://doi.org/10.1016/j.jacr.2023.07.031
  13. Nakai, H., Nagayama, H., Takahashi, H., Froemming, A. T., Kawashima, A., Bolan, C. W., Adamo, D. A., Carter, R. E., Fazzio, R. T., Tsuji, S., Lomas, D. J., Mynderse, L. A., Humphreys, M. R., Dora, C., & Takahashi, N. (2024). Cancer Detection Rate and Abnormal Interpretation Rate of Prostate MRI in Patients With Low-Grade Cancer. Journal of the American College of Radiology, 21(3), 387–397. https://doi.org/10.1016/j.jacr.2023.07.030
  14. Takahashi, H., Yoshida, K., Kawashima, A., Lee, N. J., Froemming, A. T., Adamo, D. A., Khandelwal, A., Bolan, C. W., Heller, M. T., Hartman, R. P., Kim, B., Philbrick, K. A., Carter, R. E., Mynderse, L. A., Humphreys, M. R., Cai, J. C., & Takahashi, N. (2022). Impact of measurement method on interobserver variability of apparent diffusion coefficient of lesions in prostate MRI. PLOS ONE, 17(5), e0268829. https://doi.org/10.1371/journal.pone.0268829
  15. Takahashi, H., Froemming, A. T., Bruining, D. H., Karnes, R. J., Jimenez, R. E., & Takahashi, N. (2021). Prostate MRI characteristics in patients with inflammatory bowel disease. European Journal of Radiology, 135, 109503. https://doi.org/10.1016/j.ejrad.2020.109503
  16. Yoshida, K., Takahashi, N., Karnes, R. J., & Froemming, A. T. (2020). Prostatic Remnant After Prostatectomy: MR Findings and Prevalence in Clinical Practice. American Journal of Roentgenology, 214(1), W37–W43. https://doi.org/10.2214/AJR.19.21345