| Project/Area Number |
23K02635
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 09070:Educational technology-related
|
|---|
| Research Institution | Akita Prefectural University |
|---|
Principal Investigator |
陳 国躍 秋田県立大学, システム科学技術学部, 教授 (20282014)
|
|---|
| Project Period (FY) |
2023-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
Fiscal Year 2025: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2024: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2023: ¥2,470,000 (Direct Cost: ¥1,900,000、Indirect Cost: ¥570,000)
|
|---|
| Keywords | 畳み込みニューラルネットワーク（CNN） / 複数CNNの融合 / AI教育システム / 超解像度 / 医用画像処理 / 深層学習 / 画像認識 / 画像解析 / 画像認識と解析 |
|---|
| Outline of Research at the Start |
本研究では，医用画像中の症状とその他を区別するための有用な特徴を抽出・測量・分析する方法が必要であるため，深層学習と画像処理を組み合わせた新たな手法を提案する．
この手法を用いたAI医療教育システムは，より少ない医用画像データを用いた迅速なトレーニングが可能であるため，画像から多くの特徴量を抽出し，読影経験を蓄積する．医師の診断を支援するAI医用画像処理教育システムを開発する．
|
| Outline of Annual Research Achievements |
複数の異なるConvolutional Neural Network (CNN) を組み合わせる方法は、異なる観点から情報を取り入れることや、モデルの性能を向上させるために有効である。
これまでの研究では、2つのCNNモデルを使用して融合モデルを構築する。 CNNを用いたfine-tuningには、目的の識別を行うための学習に用いるCNNの重みの初期値を、他の識別問題のための大量のラベル付き画像で学習済みCNNの重みに置き換え、再学習に、より短時間・少ない画像でも相当な識別精度に至る。即ちある領域で既に学習させたCNNの一部を転用し、新たなCNNを生成する方法である。この手法に従っている識別問題に対して、従来1つのタスクに対し単一CNNが使われることが多いが、識別精度が必ずしも高くない。
本研究では、高い精度に到達するため、より多くの特徴量を抽出できるようにする。特徴抽出器として2つのCNN（Resnet50及びInceptionV4）同士の入力層から出力層に最も近い最大プーリング層までの一部を並列に接続し、学習済みの重みを置き換え、特徴量の抽出を行う。ここで、抽出された全ての特徴量は幅、高さ及びチャンネル数を一致するように結合し、また追加したGlobal Average Pooling層を通して平均特徴ベクトルを求める。さらに、汎化させる特徴量を取り出す機能を有するDropout層を添加し、最後に１つのニューロンでの出力層を回帰問題とみなし、乳癌の転移の有無を判定する確率を出力する。提案モデルでは、医用画像から、より多様な特徴が自動抽出できるようになった。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
新しい手法としては、従来の統合手法と組み合わせることでさらなる性能向上が期待できる。新しい手法の採用には、タスクやデータセットの特性に応じたモデルの調整やチューニングが必要ですが、それにより効果的な複数CNNの融合が実現できる可能性がある。
典型的な手法としては、異なるCNNモデルから得られた特徴マップをチャネル方向（深さ方向）で結合し、これを入力として受け取る新しいネットワークを構築する。この新しいネットワークは、複数のモデルが持つ情報を統合した表現を学習することができる。
これらの手法は、特定のタスクやデータセットに応じて異なる効果を持ちる。組み合わせる際には、モデルの相互適合性やパラメータの調整、過学習の問題などに注意して慎重に設計する必要がある。
|
| Strategy for Future Research Activity |
そこで、本研究では、高い精度に到達するため、より多くの特徴量を抽出できるようにする。特徴抽出器として2つのCNN（Resnet50及びInceptionV4）を使用して融合モデルを構築した。これから、VGG、DenseNet、 Inception、 ResNet、 EfficientNet、 MobileNet などモデルを深く理解した上、複数のCNNを選択しモデルを融合して、高精度の融合モデルを構築する予定でる。更に、多クラス分類も行う予定である。
また、医用画像は解像度が限られておりノイズやアーチファクトによって微細な病変の検出に課題を抱えている。このような背景から医用画像の解像度を向上させることは，より正確な診断に直結する。そのため画像を拡大し細部の解像度を高める超解像技術が重要である。医用画像の画質改善や診断に機械学習を利用する方法を検討する。
|
