| Project/Area Number |
22KJ1573
|
|---|
| Project/Area Number (Other) |
22J15313 (2022)
|
|---|
| Research Category |
Grant-in-Aid for JSPS Fellows
|
| Allocation Type | Multi-year Fund (2023)
Single-year Grants (2022) |
|---|
| Section | 国内 |
|---|
| Review Section |
Basic Section 62010:Life, health and medical informatics-related
|
|---|
| Research Institution | Nagoya University |
|---|
Principal Investigator |
鄭 通 名古屋大学, 情報学研究科, 特別研究員(DC2)
|
|---|
| Project Period (FY) |
2023-03-08 – 2024-03-31
|
| Project Status |
Completed (Fiscal Year 2023)
|
| Budget Amount *help |
¥1,700,000 (Direct Cost: ¥1,700,000)
Fiscal Year 2023: ¥800,000 (Direct Cost: ¥800,000)
Fiscal Year 2022: ¥900,000 (Direct Cost: ¥900,000)
|
|---|
| Keywords | Large-factor SR / Image registration / Multimodal image / Anatomy reconstruction / 微細構造解析 / 疾患自動分析 / 特徴抽出 / 超解像 |
|---|
| Outline of Research at the Start |
肺疾患は人々の健康を脅かしている。肺疾患の診断にあたり、医師はCTやX線などの肺の医用画像を参照して診断を下す。しかし、医用撮影装置の普及により、肺の医用画像の数は膨大になっている。このような膨大な数の肺医用画像を検査することは、医師にとって大きな負担となる。そこで、人工知能を活用した肺医用画像の自動診断が必要となっている。本研究では、人工知能を用いた自動診断システムを開発し、肺の医用画像から治療計画などの有用な情報を抽出することで、医師の負担軽減と診断精度の向上を目指す。
|
| Outline of Annual Research Achievements |
肺の医用画像に対する超解像（SR）技術を積極的に研究した。今年の研究では、位置合わせされた医用画像データセットを使った高倍率のSR手法を提案した。従来のSRアプローチでは、低解像度（LR）と高解像度（HR）の画像ペアを使って深層畳み込みニューラルネットワーク（DCN）を訓練するが、医用画像の場合、LRとHRの画像は異なる装置から取得されるため、位置合わせが必要だ。この位置合わせの誤差がSRの結果に悪影響を及ぼすことがある。
この問題に対処するために、事前に訓練された生成ネットワーク（GAN）を利用し、豊富な画像の事前知識を提供してSRの結果の崩れを防ぐ。また、新たな損失関数を提案して、超解像の性能を向上させた。
今回提案する手法「Style-subnets-assisted Generative latent bank for large-factor Super-Resolution (SGSR)」は、位置合わせされた医用画像データセットを使って訓練する。この手法では、事前に訓練された生成モデル「Generative latent bank (GLB)」を使って、現実的で高品質な画像を生成するための豊富な事前知識を提供する。さらに、GLBを改良し、新たにスタイルサブネット支援GLB (S-GLB)を導入して、性能向上のための新しい不確実性損失関数を提案した。
SGSRは、複数のデータセットでの実験で、定量的および定性的に最先端の教師ありSR手法を上回る成果を示し、ピーク信号対雑音比（PSNR）を32.628 dBから34.206 dBに向上させた。SGSRは、位置合わせ誤差を含むLR-HR医用画像データセットを使った高倍率SRを実現し、複数のデータセットでその優位性が実証された。この技術により、手術前の診断の精度が向上し、患者の負担が軽減されることが期待される。
|
