脳画像における精神疾患の特徴量抽出を可能にする汎用性の高い深層学習モデルの構築

• Project/Area Number: 22K07574
• Research Category: Grant-in-Aid for Scientific Research (C)
• Allocation Type: Multi-year Fund
• Section: 一般
• Review Section: Basic Section 52030:Psychiatry-related
• Research Institution: Tokyo Medical and Dental University
• Principal Investigator: 杉原 玄一 東京医科歯科大学, 大学院医歯学総合研究科, 准教授 (70402261)
• Project Period (FY): 2022-04-01 – 2025-03-31
• Project Status: Granted (Fiscal Year 2022)
• Budget Amount: ¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000); Fiscal Year 2024: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000); Fiscal Year 2023: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000); Fiscal Year 2022: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
• Keywords: 脳画像 / 深層学習 / 機械学習 / 精神疾患 / 脳画像解析

Outline of Research at the Start

深層ニューラルネットワーク (DNN) を用いた機械学習は、多量の情報の次元を削減し、その隠れた特徴量を抽出することに長けている。近年、DNNの応用は精神疾患の脳画像研究にも広がっている。本申請研究では、複数のモダリティの精神疾患の脳画像データセットに対し、その次元削減し特徴量抽出を行う汎用性の高いDNNを構築する。さらに、このDNNの精神疾患の脳画像解析への応用を探索・検証する。

Outline of Annual Research Achievements

本研究では、深層ニューラルネットワーク (Deep Neural Network; DNN) の情報の次元を削減し、その隠れた特徴量を抽出する長所を活かし、精神疾患脳画像研究に用いられる多モダリティの脳画像の次元削減・特徴量抽出を行う汎用性の高いDNNを構築し、このDNNの精神疾患の脳画像解析への応用を探索・検証することを目的とする。まずは、複数のデータセットを入手した。これには、統合失調症、双極性障害、自閉症、注意欠如多動症を持つ被験者及び健常被験者の構造MRI、安静時機能的MRIが含まれる。合計1500名以上の脳画像データの前処理を行い画像のクオリティチェックを行った。特に安静時機能的MRIは画像に体動などによるノイズが多く含まれるため、その除去の方法を複数パターン検証し、妥当なノイズ除去法を確立した。さらに、脳画像における撮像施設間差を軽減する深層学習モデルの開発を行った。具体的には、敵対的生成ネットワークの一種を用い、画像のスタイル変換を行った。このモデルによってある施設の脳画像を別の施設で撮像した脳画像に変換することに成功した。画像の特徴量及び抽出した脳画像の特徴量を用いて過去に開発された方法との比較検証を行い、開発した深層学習モデルがこれまでの方法に比べて、より施設間差を低下させることを確認した。以上に示したように、データのクリーンアップ法やクオリティチェック法を確立するとともに、深層学習モデルを用いた脳画像処理法の検証を進めている。

Current Status of Research Progress

2: Research has progressed on the whole more than it was originally planned.

Reason

上述したように脳画像解析に関しては概ね順調に進捗している。ただし、機械学習関連の世界的進歩は著しく、その進歩を取り入れるべく新たな方法の検証も行っている。

Strategy for Future Research Activity

今後、データの収集を継続するとともに、SPECTなど他のモダリティの処理も行い、汎用性のある深層学習モデルの構築を目指す。