| Project/Area Number |
21K17810
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 61030:Intelligent informatics-related
|
|---|
| Research Institution | Shizuoka Institute of Science and Technology (2022-2023)
Kochi University of Technology (2021) |
|---|
Principal Investigator |
四宮 友貴 静岡理工科大学, 情報学部, 講師 (90843251)
|
|---|
| Project Period (FY) |
2021-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,420,000 (Direct Cost: ¥3,400,000、Indirect Cost: ¥1,020,000)
Fiscal Year 2023: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2022: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2021: ¥2,600,000 (Direct Cost: ¥2,000,000、Indirect Cost: ¥600,000)
|
|---|
| Keywords | 畳み込みニューラルネットワーク / MRI構造画像 / 深層学習 / 表現学習 / ボクセル表現 / 点群表現 / 敵対的生成ネットワーク |
|---|
| Outline of Research at the Start |
深層学習の一つである畳み込みニューラルネットワーク (CNN) では、入力に対して畳み込み演算を繰り返し適用し、認識に有効な特徴量を表現する。入力が画像の場合、畳み込み演算はその構造から、ピクセルで表現された2次元空間の全てが処理対象となる。MRIのような3次元ボクセルデータへ適用する場合、次元数の増加に伴ってCNNのモデルパラメータが指数的に増加するため一般的な計算機での処理が困難となる。また、ボクセルデータ中の大半は背景領域であるため、計算の不効率さが課題点となる。本研究ではMRIデータを対象とし、学習によるデータ表現形式の自動獲得を通して上記の問題解決を目指す。
|
| Outline of Annual Research Achievements |
2023年度は，脳領域がセグメンテーションされた3DMRI構造画像を用い，セグメンテーションネットワークの構造最適化を行い，併せて，点群表現に関しても検証を行った．得られた成果として，セグメンテーションネットワークでは，解像度の高い早期段階での特徴抽出が効果的であることを確認している．また，点群表現を想定したネットワーク学習時のデータについて，教師無しデータを追加した際のノイズとなる影響を解析した．得られた成果を国内会議2件，国際会議2件にて発表を行った．2023年度に予定していた「計算の不効率さ」を解決するアプローチとしてこれらの成果を統合・発展させ，2024年度中に点群表現に関する成果発表の準備を進めていく．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
点群表現に関してはやや遅れてはいるものの，2023年度に予定していた論文投稿についてはおおむね達成しており，当初目的に貢献する内容であると考えている．2023年度に得られた成果を統合させた内容を発展させ，成果をまとめ次第，成果発表を行う予定である．
|
| Strategy for Future Research Activity |
2024年度については，これまでに得られた成果を統合・発展させ，当初目的の点群表現に関する成果を発表する予定である．
|
