| Project/Area Number |
22K07721
|
|---|
| 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 | Hiroshima University |
|---|
Principal Investigator |
粟井 和夫 広島大学, 医系科学研究科(医), 教授 (30294573)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
福本 航 広島大学, 医系科学研究科(医), 助教 (00726870)
大下 慎一郎 広島大学, 医系科学研究科(医), 准教授 (50508132)
川下 郁生 広島大学, 医系科学研究科(医), 共同研究講座准教授 (70309657)
檜垣 徹 広島大学, 先進理工系科学研究科(工), 准教授 (80611334)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2022)
|
| Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2024: ¥390,000 (Direct Cost: ¥300,000、Indirect Cost: ¥90,000)
Fiscal Year 2023: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
Fiscal Year 2022: ¥2,210,000 (Direct Cost: ¥1,700,000、Indirect Cost: ¥510,000)
|
|---|
| Keywords | 胸部CT / 肺野病変 / 深層学習 / 新型コロナウイルス感染症 / 人工知能 |
|---|
| Outline of Research at the Start |
本研究では、深層学習にRadiomicsを併用することにより学習内容の妥当性を判断でき、
さらに転移学習を利用することにより比較的少数の症例でも学習可能で迅速に臨床に導入できる胸部CT画像の解析ソフトウェアを開発することを目的とする。開発したソフトウェアは、現在、流行しているコロナ感染症のCT画像を解析できるのみならず、将来、未知の肺感染症等が出現した場合も迅速に応用できると期待される。
|
| Outline of Annual Research Achievements |
本年度は、167名のCOVID-19患者のCTスキャンで肺病変を抽出（セグメンテーション）する深層学習アルゴリズムを開発した。まず、肺画像について放射線診断専門医により肺全体とCOVID-19肺炎の範囲についてアノテーションを行い、これを正解画像とした。次にUNet（バックボーンEfficientNet-B3）を使用し、167人のCOVID-19患者のうち129人（77.2%）をトレーニングデータセットに、17人（10.2%）をチューニングデータセットに、21人（12.3%）を評価データセットに含めた。体積の各軸スライスをモデルに入力し、推論時にはスライスごとの予測値を連結し、全容積の予測値を生成した。モデルは、Adamオプティマイザーを用いて50エポック学習した。学習率は3e - 4から始め、検証損失プラトーで0.1ずつ減少させた。学習時にはランダムなデータ拡張を適用し、垂直・水平反転、ランダムな回転、ランダムな輝度コントラスト（輝度制限＝0.1、コントラスト制限＝0.1）、ガウスブラーを行った。セグメンテーションの精度評価としては、肺全体の自動セグメンテーションと注釈付きセグメンテーションの間、肺病変の2つのセグメンテーションの間、2つのセグメンテーションとCTスキャンの病変比率の間の平均絶対誤差を算出した。その結果、肺全体、肺病変、自動抽出部と医師のアノテーション部分の間のMAEは、それぞれ0.8%、25.5%だった。以上より、本アルゴリズムは，COVID-19患者の肺全体を正確に抽出した。CT画像上の肺病変の同定の医師との誤差は約25%以内であったが、最も広く使われている半定量化法は25%刻みで分類されるためその精度は実用範囲内と考えた。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本研究の最初の課題である肺領域の自動抽出については非常に正確に実行できるソフトウェアを開発できた。肺病変部の同定については実用範囲内まで達した。以上より一年目の目標は概ね達成したと考える。
|
| Strategy for Future Research Activity |
今後は、肺病変の抽出精度の向上および肺病変の性状分析について機械学習により進める。病変の性状については、教師あり学習および教師なし学習（機械学習による自動分類）を比較し、その双方の利点を分析する予定である。
|
