| Project/Area Number |
22K12786
|
|---|
| 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 | Kochi University of Technology |
|---|
Principal Investigator |
吉田 真一 高知工科大学, 情報学群, 教授 (30334519)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
佐伯 幸郎 高知工科大学, データ&イノベーション学教室, 准教授 (40549408)
|
|---|
| Project Period (FY) |
2022-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2025: ¥520,000 (Direct Cost: ¥400,000、Indirect Cost: ¥120,000)
Fiscal Year 2024: ¥650,000 (Direct Cost: ¥500,000、Indirect Cost: ¥150,000)
Fiscal Year 2023: ¥390,000 (Direct Cost: ¥300,000、Indirect Cost: ¥90,000)
Fiscal Year 2022: ¥2,600,000 (Direct Cost: ¥2,000,000、Indirect Cost: ¥600,000)
|
|---|
| Keywords | 説明可能AI / CycleGAN / GAN / CNN / Grad-CAM / MRI / X線 / 敵対的生成ネットワークGAN / 医用画像 / ニューラルネットワーク / ディープラーニング |
|---|
| Outline of Research at the Start |
MRIやX線写真等の医療診断に用いられる医用画像において，AIディープラーニングが応用され始めているが，病変の検出などに高い判定精度を得る例も報告されている．しかし，その結果の信頼性や妥当性について未知のことが多く，予測が失敗することもあるが，その原因は分かっていない．そのため，AIの認識結果・予測結果に対してその理由の説明も行う説明可能AI (XAI) の研究が重要である．本研究では，画像変換を行う巡回敵対的生成ネットワーク Cycle GAN を用いることで，ディープラーニングによる認識・予測結果に対してその理由を明らかにする新たな手法を提案する．
|
| Outline of Annual Research Achievements |
巡回型敵対的生成ネットワーク CycleGAN を用いた画像のドメイン変換を行い差分画像を求めることで，どの部分に変更が入るのかを調べるアルゴリズムを構築した．このアルゴリズムを顔画像に適用し，同一人物の顔画像の性別の変換を学習させたものに対して，変換の前後でどのように画像が変換されるかを明らかにし，国際ワークショップ International Workshop on Advanced Computational Intelligence and Intelligent Informatics にて発表した．学習された画像の性質から，肌色部分の平均輝度を変化させる，前髪部分を変化させる，全体の頭髪の長さを変化させるなどの変換が見られた．脳MRI構造画像(T1強調画像)に対して，年齢推定モデルを構築した実験も行った．T1強調画像から全脳のみを抽出した画像，それに対してセグメンテーションを行い，灰白質のみを抽出した全脳画像，白質のみを抽出した全脳画像の3種の画像を作り，それぞれに対して年齢推定モデルを構築した．年齢推定モデルは，これまでの研究では回帰モデルとすることが一般的であったが，45歳未満，50歳以上の2クラスに分類し，それぞれの年齢のクラスを老年クラスと若年クラスとして分類モデルを学習により構築させ変換を行った．その結果，全体的な輝度の変化が見られ，クラスによる白質・灰白質の量の違いが学習されている可能性があることが示唆された．その他，CycleGAN による手法のみでは現状説明性を得ることが困難な事前学習済みのDNNモデルに対して，その説明性の基礎として錯視画像の認識実験を行い，IEEE主催の国際会議 Systems, Man, and Cybernetics，雑誌論文 PLOS ONEにて研究結果を発表している．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
巡回的敵対的生成ネットワークを構築しMRI脳構造画像の変換も行えるようになり，システム構築は順調に進み，得られた研究結果について，2023年度は国際会議2件，雑誌論文1件で発表しており，おおむね順調に研究が進展していると判断している．
|
| Strategy for Future Research Activity |
変換モデルを構築するための学習データについて検討を進める必要がある．顔画像を用いた場合の結果から，2つのクラスの違いを識別するために必要な特徴量は顔以外にもある場合があり，医療応用においても病変部以外の特徴をつかむ場合があると考えており，これらの影響が悪い影響を及ぼすと考えられる場合は，それらに関する部分をマスキングするなどの処置が必要であると考える．このため，学習に用いるデータの検討を引き続き行う必要がある．同時にモデルの精度を向上させる，モード崩壊を避ける等，モデル構築の品質の向上についても検討を重ねていく．モード崩壊については，特にMRI画像の学習過程において，ほぼ同じような変換画像が生成されることが起こり，この問題への対処が必要である．MRI画像の年齢推定ついて，本来の回帰モデルによる推定に際しても説明性が得られる方法がないかの検討も行う．同時に，事前学習済みのDNNモデルについては，医用画像分野でも増加しており，現在錯視図形を入力することで，認識特性を調査しているが，更に人間の視覚認識系との関連など特性を明らかにすることで，モデルの特徴が分かり，説明性の基礎になり得ると考えている．
|
