| Project/Area Number |
20K08073
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 52040:Radiological sciences-related
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
名和 要武 東京大学, 医学部附属病院, 助教 (00456914)
|
|---|
| Project Period (FY) |
2020-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,290,000 (Direct Cost: ¥3,300,000、Indirect Cost: ¥990,000)
Fiscal Year 2022: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
Fiscal Year 2021: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
Fiscal Year 2020: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
|
|---|
| Keywords | 深層学習 / 画質改善 / 医学物理 / 医用画像 / 情報理論 / 情報工学 |
|---|
| Outline of Research at the Start |
放射線治療におけるCone-beam CT（CBCT）画像を、深層学習を用いて画質改善させる新たな技術を開発する。放射線治療の実臨床への普遍的な応用を目的として、特定の施設や特定の部位のCBCT画像を画質改善させる学習済みネットワークが、他施設や他部位の画質改善を効率的に行えるよう、学習済みネットワークを転移学習させる新たな枠組みを構築する。
|
| Outline of Annual Research Achievements |
画像誘導放射線治療において、Cone-beam CT（CBCT）は照射の位置照合に使用されているが、治療効果を向上させる様々な発展的利用が期待されている。CBCTはコーン状の線束を用いることから散乱線によるノイズが顕著である。従ってCBCTの画質改善はその有効利用において必須の要素技術と言える。本研究は深層学習を用いてCBCTを画質改善し、その発展的利用法を検討するとともに、画質改善技術を他施設や他部位の画像にも汎化性をもって適用できる枠組みを構築することを目的とする。当該年度は以下を実施した。
１）深層学習を用いた医用画像の画質改善技術を開発し、ネットーワーク構造やロス関数等の改良により、少ない症例数で画質改善する新たな手法を構築した。
２）発展的利用として、医用画像の特徴量解析による放射線治療後の予後予測モデルの構築を行った。
３）発展的利用として、深層学習を用いた臓器の自動輪郭抽出を検討した。
特に２）については、CBCTの発展的利用のための探索研究として、食道がんのCBCT画像から得られる画像特徴量の時系列解析から予後予測を行う研究について、国際学術誌に論文が掲載され、さらにEditor's Choiceに選出された。また救急医学分野の医用画像の特徴量解析を行い、画質が特徴量に与える影響を精査した。本研究については国際会議、国内研究会で研究発表を行った。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
深層学習を用いた医用画像の画質改善については論文を執筆中であり、十分な成果が得られている。またCBCTの発展的応用のための探索研究として、特徴量の時系列解析について研究を行い、国際学術誌に論文を掲載した。さらに医用画像における画質と特徴量の関係を精査し、国際会議および国内研究会で発表を行っている。自動輪郭抽出についても具体的な解析を行っている。他施設や他部位への利用を目的とした転移学習の研究については引き続き解析を検討中であり、上記区分とした。
|
| Strategy for Future Research Activity |
１）医用画像の更なる画質改善にむけたネットワーク構造やロス関数等の改良
２）少ない教師データでも安定的に学習できる正則化手法の構築
３）画像ドメイン変換における画質改善の臨床的評価法の構築
４）他施設や他部位の画質改善への転移学習の検討
５）医用画像の特徴量解析の実施
６）医用画像の自動輪郭抽出法の構築
|
