| Project/Area Number |
22K07675
|
|---|
| 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 | Juntendo University |
|---|
Principal Investigator |
佐藤 英介 順天堂大学, 保健医療学部, 准教授 (00439150)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
山本 哲哉 横浜市立大学, 医学研究科, 教授 (30375505)
磯辺 智範 筑波大学, 医学医療系, 教授 (70383643)
三輪 建太 福島県立医科大学, 保健科学部, 教授 (40716594)
堀 拳輔 順天堂大学, 保健医療学部, 助教 (60964400)
|
|---|
| Project Period (FY) |
2022-04-01 – 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 2024: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
Fiscal Year 2023: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
Fiscal Year 2022: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
|
|---|
| Keywords | ホウ素中性子捕捉療法 / 深層学習 / 腫瘍構造 / ホウ素濃度 / 脳腫瘍 |
|---|
| Outline of Research at the Start |
開発プロセスのマイルストーンとして，[1：MR画像から腫瘍領域の特徴量を抽出]-[2：超解像でPET画像を高解像化]-[3：腫瘍領域の特徴量とPET画像（高解像）を入力してSUVを出力]-[4：出力されたSUVを従来手法のSUVと比較して臨床的妥当性を評価]を設定する．
エンドポイントは，“MR画像から抽出した腫瘍領域の特徴量”と“超解像したPET画像（高解像）”を入力して“腫瘍構造が反映されたSUV”を出力する数理モデルの構築である．
|
| Outline of Annual Research Achievements |
本研究では，ホウ素中性子捕捉療法（BNCT）における“ホウ素濃度の最適化”と“患者への投与線量の低減”を目指し，腫瘍構造を反映したホウ素濃度推定法の確立を目的とする．ホウ素濃度の推定に向け，深層学習における数理モデルを腫瘍画像解析に組み合わせる．開発プロセスのマイルストーンとして，[1：MR画像から腫瘍領域の特徴量を抽出] - [2：超解像でPET画像を高解像化] - [3：腫瘍領域の特徴量とPET画像（高解像）を入力してSUVを出力] - [4：出力されたSUVを従来手法のSUVと比較して臨床的妥当性を評価] を設定する．エンドポイントは，“MR画像から抽出した腫瘍領域の特徴量”と“超解像したPET画像（高解像）”を入力して“腫瘍構造が反映されたSUV”を出力する数理モデルの構築であり，腫瘍構造を反映したホウ素濃度推定法を確立することにより，BNCTの治療成績向上を目指す．
令和5年度は，令和4年度に構築したネットワーク（MR画像から腫瘍領域を抽出）の高精度化を目指し，“ガウシアンフィルタによる前処理”と“回転処理によるトレーニングデータ数の増幅”を試みた．“ガウシアンフィルタによる前処理”の一致率は76.8%，“回転処理によるデータ数の増幅”の一致率は90.6%となり，再構築前の一致率（5.31～60.0%）と比較して大幅に向上した．次に，マイルストーン [2：超解像でPET画像を高解像化]を目指し，Pythonを用いて超解像処理（DIP，最近傍補間，双線形補間，Bicubic補間）のプログラムを構築した.RMS 値（平均）は，DIP：0.040，最近傍補間：0.056，双線形補間：0.051，Bicubic補間：0.066となり，PET画像の超解像処理ではDIPが最も優れている結果を示した．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
令和5年度：MR画像から腫瘍領域の特徴量を抽出／超解像でPET画像を高解像化
［MR画像から腫瘍領域の特徴量を抽出］と［超解像によりPET画像を高解像化］に成功しているが，より高い精度でMR画像から腫瘍領域を抽出し，PET画像をより高解像度（512×512）に超解像する必要がある．腫瘍領域の抽出精度を向上させるため，トレーニングデータの前処理と増幅を行うとともに，エポック数を増加させて検証に取り組んでいる．PET画像の超解像にはDIPが有効であることを明らかにしており，DIPを用いた高解像度化（512×512）に取り組んでいるところである．
|
| Strategy for Future Research Activity |
令和6年度：出力されるSUVの精度を検証／臨床的妥当性の評価
MR画像から抽出した腫瘍領域の特徴量と超解像したPET画像（高解像）を入力してSUVを出力する数理モデルを構築するため，ペアのシミュレーションデータセットを用いて個別に自己教師付学習を実行し，敵対的損失・サイクル一貫性・損失関数などからSUVの出力される精度を検証する．出力されたSUVと従来手法のSUVとを比較し，ホウ素濃度の差異を検証する．さらに，各ホウ素濃度から腫瘍線量を算出し，過去の文献と比較することで臨床的妥当性を評価する．なお，深層学習で臨床的知見の範疇を超えるホウ素濃度が推定された場合には，その要因と考えられるプロセスを迅速に特定し，ホウ素濃度の推定精度を向上させる数理モデルを再構築する．最終的に，ホウ素濃度の推定精度が0.900（90%）以上を達成する数理モデルの構築を目指す．
|
