前立腺MRI（T2/DWI/DCE）を中心に、画像・レポート・臨床情報を統合したデータ基盤を構築し、深層学習モデルを用いて 診断能の向上 と 臨床ワークフローの改善 を目指しています。

Mayo Clinicの診療規模を活かし、大規模な前立腺MRIコホートを継続的に整備しています。

• 2017年頃から前立腺MRIデータベース構築を継続。
• 画像（T2/DWI/DCE）に加え、レポート・臨床ノート等のテキスト情報（例：PSA、生検、治療歴）も統合。
• アーティファクト（例：人工股関節によるDWI）や画質のばらつきを含む、現実的な臨床データで検証。

• 癌検出モデル（MRI, weakly supervised）: T2/DWI/DCEを入力とし、患者レベルのラベルのみで学習するアプローチで構築（病変位置アノテーションの負担を軽減）。
• Zonal Segmentation（U-Net等）: 前立腺領域分割により体積指標を算出し、 TZ-PSAD など臨床指標へ展開。
• 画質評価（QC）モデル: T2/DWIの画質を自動評価し、再撮像の削減や品質ばらつきの低減を支援。バイアス解析も含めて検討。
• NLP（臨床ノート/レポート）: 読影に必要な臨床情報（既往・治療歴、家族歴、直腸診、生検有無など）を自動抽出し、意思決定支援に活用。
• 放射線科医の診断能の評価指標・診断能推定: CDR/AIR/PPVなどを組み合わせた評価枠組みや、未生検例を含む推定手法で性能を定量化。また施設内の放射線科医へのフィードバックや教育用の誤診例リストを提供。

• 外部データでの追加検証 （汎化性能の評価）。
• ROI/病変位置ラベル を用いた局在性能・精度の改善。
• 癌診断モデル の臨床実装の準備。
• QCモデルのバイアス検出と補正 （前立腺体積などの交絡を含めて検討）。
• 画像 + レポート/臨床情報 のマルチモーダル統合による性能改善。
• 癌の有無 以外のアウトカム （例：前立腺外進展）の予測モデル作成。

最終的には、診断の再現性向上と読影の効率化につながる形で臨床導入を目指しています。

詳細はこの ページ で。

下の論文リストの番号に対応。カッコ内の”PI: ○○”は、その論文の研究代表（責任著者）を示します。PI表記がない項目は私が主導しています。

• #7: T2/DWI/DCEを入力に、患者レベルのラベルのみで学習する前立腺癌診断DLモデル（病変位置アノテーション不要）。
• #9: 前立腺のzonal segmentation model。TZ volumeを算出しTZ-PSADの臨床指標として有用性を検証。#7のモデルのinputとしても利用。
• #13: レポート情報＋臨床指標（PI-RADS, PSAD等）で癌診断モデルを構築。ADC値の寄与も検討（外部検証で課題）。

• #6: 人工股関節によるDWIアーティファクトの影響を検討。PPVだけでなくCDRの利点を提示。
• #12: 人工股関節症例で1.5T/3Tを同一患者で比較し、DWIアーティファクトの違いを評価（PI: Kawashima）。
• #15: T2WIの画質を自動評価する深層学習QCモデルを構築（PI: Riederer）。
• #17: 直腸ガスによるDWIアーティファクトの影響を検討。深層学習QCモデルを使用して画質分類を実施。
• #19: T2WIのQCモデルのバイアス解析（例：前立腺体積などの交絡で画質判定が偏る可能性）。
• #20: T2WIの画質向上にグルカゴンが有用なことを示した（PI: Riederer）。

• #11: 臨床ノートから読影に必要な情報（既往/治療、家族歴、直腸診、生検有無など）を抽出するNLPモデル。

• #4-5: 前立腺MRIのperformance metricsとしてCDR（cancer detection rate）とAIR（abnormal interpretation rate）の併用を提言。
• #10: 未生検例を含む状況で、推定によりsensitivity/specificity/AUCなどのperformance metricsを計算。

• #8: T2WI再構成に関する検討（PI: Riederer）。
• #14: 前立腺MRIコイルに関する検討（PI: Riederer）。
• #16: PI-RADS2.1の平面解像度要件を踏まえつつ、解像度設計で撮像時間短縮・画質改善を報告（PI: Riederer）。

• #18: PSMA PET-CTと前立腺MRIの病変検出能（PI-RADS3でPSMA集積の意義など）を検討。（PI: H Takahashi）

1. Hassanzadeh, S., Borisch, E. A., Froemming, A. T., Kawashima, A., Takahashi, N., & Riederer, S. J. (in press). Prostate T2-weighted spin-echo MRI with and without glucagon: A paired scan quality assessment. Abdominal Radiology . https://doi.org/10.1007/s00261-025-05215-0
2. Nakai, H., Froemming, A. T., Kawashima, A., Legout, J. D., Kurata, Y., Gloe, J. N., Borisch, E. A. Riederer, S. J., & Takahashi, N. (2026). Bias in deep learning-based image quality assessments of T2-weighted imaging in prostate MRI. Abdominal Radiology , 51 (4), 1958–1973. https://doi.org/10.1007/s00261-025-05163-9
3. Takahashi, H., Nakai, H., Ballman, K. V., Lomas, D. J., Mynderse, L. A., Kawashima, A., Huang, S., Legout, J. D., Young, J. R., Thorpe, M. P., Johnson, G. B., Karnes, R. J., Sartor, A. O., & Takahashi, N. (2025). Localization of PSMA-avid lesions on PSMA PET-CT on prostate MRI in patients with PI-RADS 3. Abdominal Radiology , 50 (12), 5948–5962. https://doi.org/10.1007/s00261-025-05018-3
4. Nakai, H., Froemming, A. T., Takahashi, H., Adamo, D. A., Kawashima, A., LeGout, J. D., Kurata, Y., Gloe, J. N., Borisch, E. A., Riederer, S. J., & Takahashi, N. (2025). Prostate MRI cancer detection rate by deep learning-assisted image quality categorization: Gas-induced susceptibility artifacts in diffusion-weighted imaging. Insights into Imaging , 16 (1), 217. https://doi.org/10.1186/s13244-025-02110-6
5. 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
6. 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
7. 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
8. 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
9. 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
10. 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
11. 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
12. 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
13. 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
14. 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
15. 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
16. 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
17. 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
18. 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
19. 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
20. 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