Ukihide Tateishi 研究室
主宰者：Ukihide Tateishi
東京工業大学
AI 要約（直近 5 年の研究成果）
立石浮秀研究室は、医療画像を用いた診断と治療法の開発を中心に研究を展開しています。主に、MRI・CT・PET等の各種画像検査で得られた情報から、がんや難治性疾患の性質を診断し、患者の治療方針決定に役立てることを目指しています。例えば、脳リンパ腫の遺伝子変異と画像所見の関連性、多発性骨髄腫の画像を用いた予後予測、前立腺がんの検出精度向上など、複数の臓器・疾患を対象とした包括的な研究を実施しています。
また、近年の人工知能技術の医療への応用にも注力しており、乳房超音波やマンモグラフィ、乳房MRIにおいて、機械学習を用いて医師の診断を支援するシステムの開発・検証を進めています。これらのAI技術は、画像の質を高めるだけでなく、良性腫瘍と悪性腫瘍の判別精度向上に貢献しています。さらに、標準化された定量解析手法の臨床応用や新しい放射性医薬品の開発研究も進めており、より正確で効率的な診断体系の確立を目指しています。
※ AI（Claude）が、公開されている論文要旨から研究の問い・手法・主要な発見を事実情報として抽出・再構成して自動生成しています。誤りを含む可能性があるため、正確性は研究室公式情報でご確認ください。
外部リンク
関連研究室(8 件)
- 医学Yukio Miki 研究室大阪大学論文 100 件·共通: 機械, 計算機科学, システム, がん基礎 +12
- 心理学Zilu Liang 研究室東京大学論文 148 件·共通: 機械, 計算機科学, システム, 学習 +9
- 医学Masateru Takigawa 研究室University of Tokyo Hospital論文 188 件·共通: 機械, 計算機科学, システム, 学習 +8
- 医学Kentaro Goto 研究室University of Tokyo Hospital論文 158 件·共通: 機械, 計算機科学, システム, 学習 +8
- 医学Shota Tanaka 研究室東京大学論文 110 件·共通: がん基礎, 腫瘍, 脳, 機械工学 +10
- 工学Ryo Natsuaki 研究室東京大学論文 181 件·共通: 機械, 計算機科学, システム, 学習 +7
- 医学Mariko Kurokawa 研究室University of Tokyo Hospital論文 134 件·共通: 計算機科学, システム, がん基礎, 腫瘍 +8
- 医学Yoji Tanaka 研究室東京大学論文 112 件·共通: 計算機科学, システム, がん基礎, 腫瘍 +7
研究成果（100 件）
- DOI: https://doi.org/10.1007/s00415-026-13744-x
- DOI: https://doi.org/10.3390/diagnostics16050803
- DOI: https://doi.org/10.1007/s00234-026-03945-6
- DOI: https://doi.org/10.7759/cureus.101900
- DOI: https://doi.org/10.3390/reports9010023
- DOI: https://doi.org/10.2169/internalmedicine.7117-26
- DOI: https://doi.org/10.1097/01.ju.0001191632.79764.15.04
- DOI: https://doi.org/10.1007/s11604-026-01979-7
- DOI: https://doi.org/10.7759/cureus.99874
- DOI: https://doi.org/10.1016/j.radonc.2025.111325
続きを表示（残り 90 件）閉じる
- DOI: https://doi.org/10.1007/s12149-025-02134-4
- DOI: https://doi.org/10.21037/jtd-2025-1798
- [2025] Thoracic Duct Embolization via Retrograde Cannulation of a Leaking Stump through the Thoracic CavityDOI: https://doi.org/10.22575/interventionalradiology.2024-0049
- DOI: https://doi.org/10.3174/ajnr.a8935
- [2025] Development of an anomaly detection system for Gibbs artifact identification in amyloid PET imagingDOI: https://doi.org/10.1007/s12194-025-00928-9
- DOI: https://doi.org/10.1167/iovs.66.4.13
- DOI: https://doi.org/10.1007/s11604-025-01809-2
- DOI: https://doi.org/10.1097/rlu.0000000000005671
- DOI: https://doi.org/10.31662/jmaj.2024-0303
- DOI: https://doi.org/10.31662/jmaj.2025-0032
- [2025] Two distinct trajectories of brain volume loss in myotonic dystrophy type 1 via machine learningDOI: https://doi.org/10.1093/braincomms/fcaf181
- DOI: https://doi.org/10.31662/jmaj.2024-0239
- DOI: https://doi.org/10.1007/s12149-025-02150-4
- DOI: https://doi.org/10.1111/cas.70308
- DOI: https://doi.org/10.2463/jjmrm.2023-1808
- DOI: https://doi.org/10.1007/s11548-024-03067-5
- [2024] Transient receptor potential cation channel subfamily V member 1 (TRPV1) targeted PET imagingDOI: https://doi.org/10.1093/jjco/hyad194
- DOI: https://doi.org/10.7759/cureus.76347
- DOI: https://doi.org/10.7759/cureus.75969
- DOI: https://doi.org/10.1016/j.resinv.2024.11.006
- DOI: https://doi.org/10.2463/mrms.rev.2024-0056
- DOI: https://doi.org/10.7759/cureus.71605
- DOI: https://doi.org/10.1007/s11604-024-01675-4
- DOI: https://doi.org/10.1097/rlu.0000000000005478
- DOI: https://doi.org/10.3390/jimaging10090211
- DOI: https://doi.org/10.1007/s10396-024-01482-4
- DOI: https://doi.org/10.1111/cas.16281
- DOI: https://doi.org/10.1016/j.mri.2024.07.004
- DOI: https://doi.org/10.1097/mpa.0000000000002329
- DOI: https://doi.org/10.7759/cureus.61034
- DOI: https://doi.org/10.1111/iju.15464
- DOI: https://doi.org/10.1007/s10147-024-02488-1
- DOI: https://doi.org/10.3390/diagnostics14070727
- DOI: https://doi.org/10.1007/s12185-024-03738-8
- DOI: https://doi.org/10.1007/s11604-024-01551-1
- DOI: https://doi.org/10.1016/s0302-2838(24)00722-x
- DOI: https://doi.org/10.1007/s00259-024-06651-8
- DOI: https://doi.org/10.7759/cureus.52510
- DOI: https://doi.org/10.1038/s41366-024-01464-z
- DOI: https://doi.org/10.1155/2024/5354241
- DOI: https://doi.org/10.1007/s10396-022-01279-3
- DOI: https://doi.org/10.1007/s00259-023-06231-2
- DOI: https://doi.org/10.1007/s10396-023-01295-x
- DOI: https://doi.org/10.3804/jjabcs.32.53
- DOI: https://doi.org/10.3390/medicina60010014
- DOI: https://doi.org/10.1097/brs.0000000000004889
- DOI: https://doi.org/10.1093/jjco/hyad166
- DOI: https://doi.org/10.1038/s41598-023-44542-4
- DOI: https://doi.org/10.1007/s12282-023-01492-z
- DOI: https://doi.org/10.1007/s00330-023-09937-x
- DOI: https://doi.org/10.1007/s13139-023-00815-4
- DOI: https://doi.org/10.1007/s10396-023-01332-9
- DOI: https://doi.org/10.1111/iju.15234
- DOI: https://doi.org/10.3390/diagnostics13040794
- DOI: https://doi.org/10.1038/s41398-022-02080-z
- DOI: https://doi.org/10.1002/jmv.28168
- DOI: https://doi.org/10.3390/diagnostics12020504
- [2022] Deep learning for image classification in dedicated breast positron emission tomography (dbPET)DOI: https://doi.org/10.1007/s12149-022-01719-7
- DOI: https://doi.org/10.1007/s12149-021-01709-1
- DOI: https://doi.org/10.1186/s12891-022-05725-8
- DOI: https://doi.org/10.1007/s11604-022-01320-y
- DOI: https://doi.org/10.1200/jco.2022.40.16_suppl.3131
- DOI: https://doi.org/10.2463/mrms.mp.2021-0037
- DOI: https://doi.org/10.1007/s00261-022-03486-5
- DOI: https://doi.org/10.3390/tomography8010011
- DOI: https://doi.org/10.3390/tomography8020088
- DOI: https://doi.org/10.1039/d2md00158f
- DOI: https://doi.org/10.1007/s11604-022-01261-6
- DOI: https://doi.org/10.1038/s41598-022-07581-x
- DOI: https://doi.org/10.1016/j.euros.2022.12.003
- DOI: https://doi.org/10.1007/s00259-022-06085-0
- DOI: https://doi.org/10.3390/diagnostics12123114
- DOI: https://doi.org/10.1182/blood-2022-157006
- DOI: https://doi.org/10.3390/diagnostics12102500
- DOI: https://doi.org/10.3390/tomography8050211
- DOI: https://doi.org/10.1007/s12149-022-01792-y
- DOI: https://doi.org/10.3390/medicina57070722
- DOI: https://doi.org/10.1007/s10396-021-01149-4
- DOI: https://doi.org/10.3390/hemato2030038
- DOI: https://doi.org/10.1016/j.radcr.2021.07.069
- DOI: https://doi.org/10.1002/jhbp.1101
- DOI: https://doi.org/10.1038/s41598-021-03496-1
- DOI: https://doi.org/10.3390/medicina57121289
- DOI: https://doi.org/10.1182/blood-2021-147250
- DOI: https://doi.org/10.1111/resp.14150_154
- [2021] Image quality and quantification accuracy dependence on patient body mass in 89Zr PET/CT imagingDOI: https://doi.org/10.1186/s40658-021-00420-4
- DOI: https://doi.org/10.3390/medicina57111148
- DOI: https://doi.org/10.1007/s00415-021-10844-8
- DOI: https://doi.org/10.3390/jcm10143173
- DOI: https://doi.org/10.1111/iju.14673
科研費（0 件）
まだデータがありません（KAKEN 取り込み後に表示）。
所属学会・役職（0 件）
まだデータがありません（学会データ連携後に表示）。