Development of automated retinopathy lesion detection based on deep learning in small samples
| Project/Area Number |
19K12827
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 90130:Medical systems-related
|
|---|
| Research Institution | Oita University (2020-2022)
The University of Shiga Prefecture (2019) |
|---|
Principal Investigator |
|
|---|
| Project Period (FY) |
2019-04-01 – 2023-03-31
|
| Project Status |
Completed (Fiscal Year 2022)
|
| Budget Amount *help |
¥4,420,000 (Direct Cost: ¥3,400,000、Indirect Cost: ¥1,020,000)
Fiscal Year 2021: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2020: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2019: ¥2,600,000 (Direct Cost: ¥2,000,000、Indirect Cost: ¥600,000)
|
|---|
| Keywords | 医用画像 / 病変検出 / 深層学習 / 教師なし学習 / GAN / CNN / 転移学習 / 眼底画像 / ぶどう膜炎 / 少数サンプル / 機械学習 / 重症度推定 / 網膜血管漏出 / セグメンテーション / レジストレーション / 異常検出 / 炎症 / Cramer-GAN / 網膜症 / 眼底 / データオーギュメンテーション / 糖尿病網膜症 / 高血圧症 / 血管解析 / Capsule Network / 生活習慣病 / 人工画像 |
|---|
| Outline of Research at the Start |
無散瞳眼底カメラによる眼底検査は非侵襲で簡便であるため、検診目的で広く実施されているが、眼底画像の判定作業のための精度管理や時間的・人資源的な効率が確保されていない。近年は、深層畳み込みニューラルネットワーク（CNN）の適用が研究の主流であるが、CNNは多くの教師データ画像を必要とする反面、多くの病変画像収集の困難さが医用画像研究の共通の課題である。CNNには、画像内の位置関係の消失問題と、データオーグメンテーション効果の不十分さの問題がある。本研究では、画像内の位置情報保持を目的としたネットワークの検討と、人工画像生成によるオーギュメンテーションを検討する。
|
| Outline of Final Research Achievements |
For detecting abnormalities by using deep learning in medical images, it is difficult to many annotated images. A data-augmented effect based on basic image processing is limited in medical images. This study shows that two subthemes, the abnormal generative images for the convolutional neural network and the annotated image-free training method based on applied transfer learning, are experimentally effective.
|
| Academic Significance and Societal Importance of the Research Achievements |
定量的かつ再現性の高い医療診断のために人工知能が求められている。深層学習のアプリーチを採る場合、ラベル付けされた医用画像を大量に用意することが難しい問題がある。本研究は、画像の人工生成によって、不足したデータを補うことの有用性を明らかにした。希な確率で生ずる疾病の場合、異常な画像を集めることが困難であるが、転移学習の考え方の応用によって、ラベル付き画像を用いずに深層学習モデルを学習する方法の有用性も示した。これらの研究により、データ収集の困難な課題を解決することが可能となる。
|
Report
(5 results)
Research Products
(25 results)
