| Project/Area Number |
23K07149
|
|---|
| 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 | National Cardiovascular Center Research Institute |
|---|
Principal Investigator |
西井 達矢 国立研究開発法人国立循環器病研究センター, 病院, 医長 (20749345)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
河野 淳 近畿大学, 医学部, 准教授 (20574388)
太田 靖利 国立研究開発法人国立循環器病研究センター, 病院, 医長 (90388570)
大田 淳子 国立研究開発法人量子科学技術研究開発機構, QST病院 医療技術部, 主任研究員 (90825001)
梅原 健輔 国立研究開発法人量子科学技術研究開発機構, QST病院 医療技術部, 主任研究員 (90825077)
|
|---|
| Project Period (FY) |
2023-04-01 – 2027-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥4,550,000 (Direct Cost: ¥3,500,000、Indirect Cost: ¥1,050,000)
Fiscal Year 2026: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2025: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
Fiscal Year 2024: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2023: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
|
|---|
| Keywords | 心臓CT / 時間分解能 / 画像処理 / 人工知能 |
|---|
| Outline of Research at the Start |
心臓CTの高画質化への技術的課題は、空間分解能、組織分解能、時間分解能の向上である。そのうち、拍動する臓器である心臓をターゲットとしているため、時間分解能（＝シャッタースピード）の向上は、重要かつ技術的に挑戦的な領域である。また現在のCT時間分解能は50ミリ秒の壁を超えておらず、このため心拍数の高い症例や動きの早い心臓内の構造物では、大きなブレが生じることがある。この「50ミリ秒の壁」を超えるために、本研究では、心臓CTにおける「動きによるブレ」を深層学習しブレを軽減する新たな拡張知能を開発し、臨床現場へ高時間分解能画像の提供を可能にすることを目的としている。
|
| Outline of Annual Research Achievements |
本研究では、心臓CT検査において問題となる「動きによる画像のブレ」を深層学習（AI）で補正する新たな技術（Deblur AI）を開発し、より時間分解能の高い画像を臨床現場で提供できるようにすることを目指している。
本年度は、昨年度に準備した約30万枚の学習用画像データを使って、複数のAIモデル（CNN、RDN、Transformerなど）を用いた学習を行い、それぞれに最適な設定（ハイパーパラメータ）の検討を進めた。その際、一般的なGPU機器を使った学習時間も測定し、比較的シンプルなモデルでは約24時間、大規模なTransformerモデルでは約1週間かかることが分かった。これらの基礎情報をもとに、いくつかのDeblur AIモデルを構築し、別の約2000枚のテスト画像を使って性能を評価した。
放射線科医による読影実験の結果、大規模なTransformerを用いたモデルは特にブレが目立つ部分で、元の静止画像に近い画像を再現できていたが、臨床で十分な精度にはまだ達していなかった。特にブレの強い部分では画像の特徴が大きく変わってしまうため、AIがうまく学習できていない可能性があり、現在はそうした難しい部分を優先的に学習できるようモデルの構造を再検討している。
また、今後の臨床応用や他施設での利用を見据え、専門的な操作を必要としない簡単なアプリケーションとして、一般的なパソコン上でも容易に画像処理が可能になる環境の整備を進めている。すでに、同様に当グループで開発した画像ノイズを低減するAIでは、他施設での実証実験も開始している。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
ブレを低減するための学習アーキテクチャの開発について、いくつかの手法を取り入れているが、最適なアーキテクチャの構築に至っていない。
|
| Strategy for Future Research Activity |
当初の計画どおり、最適なアーキテクチャの開発およびその原理的な妥当性を実証することを先行して行う。臨床画像への適応に関しての環境開発も並行して進める。
|
