| Project/Area Number |
16H06766
|
|---|
| Research Category |
Grant-in-Aid for Research Activity Start-up
|
| Allocation Type | Single-year Grants |
|---|
| Research Field |
Tumor diagnostics
|
|---|
| Research Institution | Tokyo Medical and Dental University |
|---|
Principal Investigator |
河村 大輔 東京医科歯科大学, 難治疾患研究所, 助教 (10776082)
|
|---|
| Project Period (FY) |
2016-08-26 – 2018-03-31
|
| Project Status |
Completed (Fiscal Year 2016)
|
| Budget Amount *help |
¥2,990,000 (Direct Cost: ¥2,300,000、Indirect Cost: ¥690,000)
Fiscal Year 2016: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
|
|---|
| Keywords | 深層学習 / デジタル病理画像 / 遺伝子変異 / 癌 / 機械学習 / 病理学 / ゲノム |
|---|
| Outline of Annual Research Achievements |
本研究では、Deep Learning（深層学習）を腫瘍のデジタル病理画像に適用することで、治療の選択に影響を与える遺伝子変異の有無を病理画像から推定し、遺伝子変異と相関する組織学的特徴を病理医が解釈可能な形で提示することを目指す。
本年度は、Deep Learningの教師データを効率よく得るために、腫瘍を含む領域・含まない領域を手動で選択するためのGUIシステム（PathologyMap）を開発した。本システムは地図画像の表示用に開発され、病理医を含む多くのユーザに日常的に利用されているGoogle MapのAPIをベースに実装を行った。そのため、操作方法を学ぶための時間および開発期間が大幅に短縮され、短時間で多くの教師データを生成することが可能となった。本システムを用いて、申請者の研究室に所属する病理医が、実際のデジタル病理画像約３８０症例から腫瘍を含む領域・含まない領域を選択し、教師データを作成した。
また、デジタル病理画像では画像サイズが一般画像と比較して極めて大きいため、入力画像の解像度を調整する必要がある。しかし、高倍率画像では複数の細胞からなる構造レベルの情報が失われ、低倍率画像では細胞レベルの情報が失われるという問題があった。そのため、低倍率から高倍率まで３種類の拡大倍率の画像を同時に学習する深層学習技術であるMulti-resolution Convolutional Autoencoderを開発した。本手法を実際のデジタル病理画像に適用し、単独の倍率のみから学習したモデルに比べて性能が向上することを示した。
|
| Research Progress Status |
翌年度、交付申請を辞退するため、記入しない。
|
| Strategy for Future Research Activity |
翌年度、交付申請を辞退するため、記入しない。
|
