Realization of Multidisciplinary Understanding of Skeletal Muscle by Constructing Deep Learning and Model Integration Theory
| Project/Area Number |
21K12731
|
|---|
| 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 | Aichi Prefectural University |
|---|
Principal Investigator |
神谷 直希 愛知県立大学, 情報科学部, 准教授 (00580945)
|
|---|
| Project Period (FY) |
2021-04-01 – 2024-03-31
|
| Project Status |
Granted (Fiscal Year 2022)
|
| Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2023: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2022: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2021: ¥2,080,000 (Direct Cost: ¥1,600,000、Indirect Cost: ¥480,000)
|
|---|
| Keywords | 骨格筋 / 表層筋 / 体腔 / 脊柱起立筋 / 筋認識 / 深層学習 / セグメンテーション / モデル |
|---|
| Outline of Research at the Start |
骨格筋はCT，MRIなど断層画像の多くで描出されるが，通常は対象疾患や周辺組織の読影に注力され，健康時より管理可能であるが，筋量を含む正確な状態把握は困難な課題である．我々は，モデルベースの骨格筋部位別認識技術，さらに深層学習を用いた骨格筋の部位別認識技術を有しているが，双方に利点と課題が明らかとなっている．特に，一般の画像処理タスクとは異なり，深層学習用の骨格筋のアノテーション作業は現実的ではない．本研究では，深層学習とモデル併用により，筋線維のミクロ・マクロ構造に着目した，AI時代の筋の記述法を提案し，全身表層筋の認識を実現することをゴールとする．
|
| Outline of Annual Research Achievements |
本研究課題の対象である骨格筋は，CT，MRIなどの画像において，多くの断層上で描出される．そのため，コンピュータによる骨格筋の自動計測が期待される．特に，これまでには，モデルベースや深層学習を用いた骨格筋の部位別認識に取り組んできたが，双方に利点と課題が明らかとなっている．そして，骨格筋は多数の断層画像に描出されることや多くの部位に分けられるため，アノテーション作業コストは高く，深層学習の適用による筋認識の対象は限られていた．そのため，本研究では，深層学習とモデル併用により，筋線維のミクロ・マクロ構造を考慮した表層部の骨格筋認識法の提案を目的とする．
研究の中間年である2022年度は，前年度に実施した表層筋を単一領域として認識する方法および，表層部の骨格筋のうちアノテーションが実現できた部位別の骨格筋である，脊柱起立筋，僧帽筋，腹斜筋および棘上筋に対する認識に取り組んだ．特に，大域構造としての表層部の骨格筋1領域の認識では，全身CT画像に対し，自己教師あり学習を用いた認識を実現し，体腔や骨のアノテーションが有効であることを確認した．また，部位別の骨格筋認識では，表層部の隣接する骨格筋間の認識において，脊柱起立筋を用いた同時学習が部位別の骨格筋の認識精度向上に有効であることを明らかにした．このことは，第三腰椎（L3）断面における部位別の骨格筋の自動認識においても有効であり，先行研究においてはL3断面内の骨格筋が区別されていないのに対し，本研究ではL3断面内に描出される4つの骨格筋を区別して認識することが可能となった．
他にも，CT画像を仮想的に切り開いた仮想展開画像を用いた大域構造の認識を検討し，表層部骨格筋について，骨を用いた表層部骨格筋4領域について骨を用いることで小さな骨格筋に対するローカライゼーションを不要で認識精度を大幅に向上することが可能であることを確認した．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
研究実績の概要で述べた通り，骨格筋全体を認識する方法および部位別の骨格筋の認識について，CT画像中の大域構造の自動認識に基づくアプローチだけでなく，新たに画像展開による画像入力方法が検討できた．そして，画像展開は表層部の大域構造の認識に有効であることが分かったが，2022年度は2次元の入力にとどまるため，展開画像を3次元的に入力した場合の効果の検証が必要となる．一方で，部位別の骨格筋の認識においては脊柱起立筋を用いた同時学習が有効であることが分かり，これは，脊柱起立筋の認識精度の安定性などからも汎用性の高い骨格筋認識のアプローチとして引き続き検討が必要である．以上により，現在までの進捗状況はおおむね順調に進展しており，新たに明らかになった課題とともに，今後の研究の推進方法で述べる内容を実施し，研究を推進する．
|
| Strategy for Future Research Activity |
研究実績の概要および現在までの進捗状況で述べた通り，2023年度は最終年であるため，前年度までに有効であることが分かった大域構造の認識について，体腔をキーにその内外の大域的な構造について自動認識を実現する．その時に，解剖学的3断面を用いる既存の深層学習ネットワークと比較し，提案する人体の仮想展開画像を用いた画像入力についてその有効性を3次元ネットワークで検証する．また，部位別の骨格筋の認識においては大域的な人体構造の認識との位置づけについて同時に行うか，カスケードのアプローチをとるかの検討が必要である．特に，脊柱起立筋を用いた同時学習が有効であることが明らかとなったため，この脊柱起立筋を活用し，L3断面だけでなく，全身の骨格筋認識においてどのような効果が表れるか明らかにする必要がある．
|
Report
(2 results)
Research Products
(14 results)
