Improve Prediction Accuracy of AD by Harmonization of Multicenter MRI Imaging
Project/Area Number |
22K12762
|
Research Category |
Grant-in-Aid for Scientific Research (C)
|
Allocation Type | Multi-year Fund |
Section | 一般 |
Review Section |
Basic Section 90110:Biomedical engineering-related
|
Research Institution | The University of Tokyo |
Principal Investigator |
舞草 伯秀 東京大学, 大学院総合文化研究科, 特任助教 (80631069)
|
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: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
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 | MRI / Alzheimer disease / Harmonization / Machine Learning / 発症予測 |
Outline of Research at the Start |
本研究では, アルツハイマー病(AD)に関連する複数の画像データベースから約5000人のMRI脳画像を取得し, 機械学習によるAD・軽度認知障害(MCI)の自動判別, MCIからADへの発症予測を行う. 機械学習モデルの構築時にHarmonizationによりSite Effectを補正することで, より高精度かつ汎化性の高い機械学習モデルの構築が可能となることが期待できる. 機種に依存しない学習モデルの構築による早期の発症予測は, 早期の介入を可能とし有用である。
|
Outline of Annual Research Achievements |
国立精神・神経医療研究センターにおいて3T MRIで取得された約1089名およびJ-ADNIデータベースに公開されている1.5T MRIで撮像された146名、合計の1235名の健常者群のデータを取得した。また対象疾患としてJ-ADNIデータベースに登録されたアルツハイマー病群(139名), 軽度認知障害群群(222名)を取得した。The Open Access Series of Imaging Studies (OASIS): 1248名の縦断的なMRIデータ(OASIS-3, OASIS-2)および416名の横断的なMRIデータ(OASIS-1)を入手した。Information eXtraction from Images (IXI): 662名の横断的なMRIデータを入手した。 解析の前処理として、Non-parametric non-uniformity nomalization法を信号不均一補正として実施した。また処理が可能なデータについてはMaikusaらが提案したファントムを用いた歪み補正の実施を行った。 解析環境として、画像解析に必要なソフトウェアの準備を行った。具体的には申請者が特許を有しているマルチアトラス法を用いた脳体積抽出アルゴリズムの設定を行った。 また解析リソースがボトルネックになる場合を鑑み、東京大学内に利用可能はスーパーコンピュータについて、解析可能かの事前調査を行った。画像解析ソフトウェアの設定を行い解析が実施可能であることを確認した。
|
Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当初計画通り、必要なデータセットの入手を行い、解析の前処理を実施した。 解析環境の構築を行い、次年度以降の解析に備えた。
|
Strategy for Future Research Activity |
本年度の進捗を鑑み次年度以降当初の計画通り以下のを実施する予定である。 令和5年度 (1) MRIからの脳特徴量の抽出・前処理:構築した解析環境を用い、MRIの前処理として,申請者が特許を有する技術を用いて脳関心領域の体積を取得する. (2) Harmonization法の最適パラメータの策定と有効性の検証:取得した多施設で撮像されたMRI画像に含まれる施設間差を除去するため, Harmonizationを実施する。 【令和6年度】(1) 機械学習へ最適な特徴量の選択:令和5年度の課題(1)によって得られた各特徴量のうち, ADの自動判別・MCIからの発症予測に最適な特徴量を策定する. (2) 機械学習によるADの自動判別・発症予測の評価:令和6年度課題(1)で得られた最適な特徴量を用いてADの自動判別を行い, 感度・特異度・判別精度を評価する. ADの判別精度として, 先行研究での報告を鑑み90%台後半を目指す. 機械学習のハイパーパラメータについては, Cross-validationを用いたGrid-searchを用いて決定する.
|
Report
(1 results)
Research Products
(1 results)