予防医学の発展に向けた深層生成モデルによる人体の経年変化予測
Project/Area Number |
21K18073
|
Research Category |
Grant-in-Aid for Early-Career Scientists
|
Allocation Type | Multi-year Fund |
Review Section |
Basic Section 90130:Medical systems-related
|
Research Institution | The University of Tokyo |
Principal Investigator |
柴田 寿一 東京大学, 医学部附属病院, 特任助教 (10780067)
|
Project Period (FY) |
2021-04-01 – 2024-03-31
|
Project Status |
Granted (Fiscal Year 2022)
|
Budget Amount *help |
¥2,340,000 (Direct Cost: ¥1,800,000、Indirect Cost: ¥540,000)
Fiscal Year 2023: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2022: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2021: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
|
Keywords | 老化予測 / 深層生成モデル / プログレッシブ学習 / 体積画像 / 頭部CT / ニューラルネットワーク / デジタルツイン / 人体 / 医用画像 / 機械学習 / フローベース深層生成モデル / カリキュラム学習 / 経年変化予測 / 深層ニューラルネットワーク / 経年変化 |
Outline of Research at the Start |
我々にとって最も身近な自然現象である人体の経年変化を予測できるモデルの構築は、人間の手には極めて困難であると考えられてきたが、根拠に基づく予防医学のさらなる発展のためには不可欠な要素である。近年、人工知能の一種である、深層生成モデルが注目を浴びている。深層生成モデルにおいてはコンピュータが医用画像などから規則性を見つけ出すので、人体の経年変化もモデル化できると考えられる。これらを受けて本研究の目的は、深層生成モデルを採用することで人体の経年変化を予測できるモデルを構築すること及び、人体を写した医用画像に対して構築したモデルを適用し、例えば数年先の人体の経年変化を予測することである。
|
Outline of Annual Research Achievements |
本研究は同一撮像機器で撮像された健康な人体の経年変化を予測(=老化予測)することを目的とする。例えば、現在の人体を撮像した3次元CT(Computed Tomography)画像を1つ入力すれば、尤もらしい未来の人体を映す3次元CT画像を1つ出力できるシステムを確立する。このため、与えられた画像が生起する確率分布をモデル化し、偽物だが現実的な画像を大量に生成できる深層生成モデルを応用する。特に人体頭部の老化予測を実現するため、頭部CT画像で学習された3D-GLOW(OpenAIが公開しているGLOWコードを元に研究代表者が設計し実装)の潜在空間へと現実の頭部CT画像を変換し、その潜在空間で新旧2枚の頭部CT画像間の変換規則を学習し、老化を予測できるニューラルネットワークを実装し、動作することを確かめた。本研究では従来手法と比べ高解像度(128x128x128)な頭部CT画像の学習と推論とを可能にしたが、この実現のために研究代表者が考案したプログレッシブ学習(すなわち、低いビット数の画像から徐々に学習を進める手法)を採用した。なお、プログレッシブ学習の効果などをまとめた研究代表者らの論文は論文雑誌に採択され、既に公開されている。加え、予測された未来の頭部CT画像の脳室容積は医師の手により半自動で定量化され、正解データと比較検討された。さらに、以上をまとめたプレプリントを執筆し、プレプリントサーバーから公開した。
|
Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当初3年間で完了する予定であった老化予測ネットワークの実装とネットワークの学習、ネットワークによる予測、及び医師による老化予測精度の定量化をほぼ完了することができたことから、おおむね順調に進展していると判断した。
|
Strategy for Future Research Activity |
構築された老化予測ネットワークは現状では予測精度に課題がある。そこで、1年目に断念したDUAL-GLOWの学習とDUAL-GLOWによる予測を再度試みる。1年目に学習を断念した原因となったメモリ消費量の問題は、DUAL-GLOWで学習する確率密度分布を2つから1つに変更することで、大幅に緩和する。加え、1年目にはまだなかったプログレッシブ学習を採用することで効率的に学習を実施する。以上により、人体の高精度な老化予測を実現する。
|
Report
(2 results)
Research Products
(1 results)