// PART 04 / 16

DEEP-LEARNING L2 L3

深層学習

深層学習は医用画像・時系列・大規模データへの扉です。本部「深層学習」では、リハビリテーション・医療AI研究で必要となる深層学習の基礎を、11 本で体系化します。 CNN（畳み込みニューラルネット）の基礎から、頭部 CT / MRI などの医用画像解析、時系列データ（歩行波形・脳波）に使う RNN / Transformer、生成モデル（Diffusion）、自己教師あり学習、医用 Foundation Model まで——リハ・医療領域での具体的な適用先と注意点を併記しています。単なる技術紹介ではなく、少サンプル医療データへの転移学習、説明可能AI（Grad-CAM 等）との組み合わせ、外部検証・ドメインシフトへの対処といった「医療現場で使うための実装ノウハウ」を中心に整理。第3部のアルゴリズム図鑑から一歩進んだ深い学習を求める読者向けの部です。

ARTICLES: 11本
EST_TIME: 100min
LEVEL: L2/L3
UPDATED: 2026.05.04

記事一覧

// 11 ARTICLES · ALL

DEEP-LEARNING L2

CNNの基礎
— 画像を畳む発想

畳み込み・プーリング・ストライド。CNN がなぜ画像に強いかを直感で。

// deep / cnn-basics READ →

DEEP-LEARNING L2

主要CNNアーキテクチャ(VGG / ResNet / DenseNet / EfficientNet)
— 深さと効率の系譜

残差接続、密結合、複合スケーリング。それぞれの設計思想を比較。

// deep / cnn-archs READ →

DEEP-LEARNING L2

U-Net とセグメンテーション
— 医用画像の領域分割

Encoder-Decoder + Skip Connection。医用セグメンテーションの定番。

// deep / unet READ →

DEEP-LEARNING L2

RNN / LSTM / GRU
— 時系列データへの対応

再帰構造とゲート機構。歩行加速度や ICU 時系列での使いどころ。

// deep / rnn READ →

DEEP-LEARNING L3

Transformer / Attention機構
— 自己注意で並列化

Attention の数式から始めて、なぜ Transformer が席巻したのかを解説。

// deep / transformer READ →

DEEP-LEARNING L3

Vision Transformer(ViT / Swin)
— 画像にもAttentionを

パッチ分割と階層構造。CNN との性能・解釈性の違い。

// deep / vit READ →

DEEP-LEARNING L2

Autoencoder / VAE
— 自己再構成で表現を学ぶ

次元圧縮と生成の橋渡し。VAE の確率的解釈と医用応用。

// deep / autoencoder READ →

DEEP-LEARNING L3

GAN(医用画像生成・データ拡張)
— 生成と識別の対立学習

データ拡張、ドメイン変換、合成画像の妥当性評価。

// deep / gan READ →

DEEP-LEARNING L3

Diffusion Model(医用画像生成)
— ノイズから画像を彫り出す

拡散過程の逆問題として生成を捉える。Stable Diffusion 系の医用応用。

// deep / diffusion READ →

DEEP-LEARNING L3

自己教師あり学習(SimCLR / MAE / DINO)
— ラベルなしで表現を獲得

対照学習・マスク再構成の系譜。少ラベル医療データへの効用。

// deep / ssl READ →

DEEP-LEARNING L3

医用Foundation Model(MedSAM / RETFound / CT-FM)
— 医療特化の基盤モデル

汎用 FM の医療版。fine-tuning 戦略と評価軸の整理。

// deep / foundation READ →