AIによる死後CT読影支援ソフトウェアの開発－解剖ナビゲーションシステムを目指して
| Project/Area Number |
23K09767
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 58040:Forensics medicine-related
|
|---|
| Research Institution | Kagoshima University |
|---|
Principal Investigator |
林 敬人 鹿児島大学, 医歯学域医学系, 教授 (40512497)
|
|---|
| Project Period (FY) |
2023-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,550,000 (Direct Cost: ¥3,500,000、Indirect Cost: ¥1,050,000)
Fiscal Year 2025: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2024: ¥650,000 (Direct Cost: ¥500,000、Indirect Cost: ¥150,000)
Fiscal Year 2023: ¥3,120,000 (Direct Cost: ¥2,400,000、Indirect Cost: ¥720,000)
|
|---|
| Keywords | AI（人工知能） / 死後CT / 頭蓋内出血 / 頭蓋骨骨折 / 自動読影 / 解剖補助診断 / 解剖ナビゲーション / Artificial intelligence / 死因究明 |
|---|
| Outline of Research at the Start |
所属機関内でこれまで死後CT撮影後に法医解剖が実施されている事例（約1600例）のCT画像を教師データとして，生前に形成された骨折の有無，体腔内の出血（血腫）の有無・量，病変等を中心にAIが読影するソフトウェアを開発し，その後の事例でAI診断後に解剖を行うことで，AI診断の正確性を検証し，診断支援システムとしての有用性を評価する。本研究では，死後CT画像読影ソフトウェアによってAIの診断結果を解剖中にモニター上に3D画像等で表示することで，解剖をナビゲーションするシステムを構築することを最終的な目標としている。
|
| Outline of Annual Research Achievements |
われわれはAI（人工知能）による死後CT画像読影支援ソフトウェアを開発することを目的として，まず本年度はAIによって各種の頭蓋内出血の検出が可能か否かについて検討した。2016～22年6月末までに当施設内で撮影された死後CT画像のうち，頭蓋内出血を認める事例を対象として，深層学習に106例，評価に24例を使用した。3D slicerを用いて用手的に出血領域をセグメンテーションし，学習モデルはSegResNet，3DUXNET，SwinUNETR，PHTransを用いて，モデル間で検出精度を比較した。また，PHTransについてはTransformer-blockをSwin-TransformerからMaxVit，NAT，GCVitに変更することで精度改善を目指した。各モデルの出血領域セグメンテーションの平均Dice係数は，SegResNet 0.420，3DUXNET 0.435，SwinUNETR 0.436，PHTrans-SwinTrans 0.580，PHTrans-MaxVit 0.594，PHTrans-GcVit 0.562，PHTrans-NAT 0.542と，PHTrans-MaxVitが最も高精度であった．出血の種類を問わなければ，GCVit 0.645，Swin 0.695，MaxVit 0.701，NAT 0.689と高い精度での検出が可能であった。出血の種類別では，硬膜下血腫が最も検出精度が高く，クモ膜下出血が最も低かった。いずれのモデルでも静脈洞内の血液就下等の死後変化が出血として誤検出されることはなかった。さらに，頭蓋内出血の外因性・内因性を鑑別する目的で頭蓋骨骨折の検出についても検討を開始しており，これまで学習に76例，モデルはYOLOv6 ver.3を用いて検出率88%という高い結果が得られている。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
まず，AI（人工知能）によって死後CT画像でも生体画像と同様に頭蓋内出血や頭蓋骨骨折を検出することが可能であることが明らかとなった。AIの学習用に使用した例数が106例とそれほど多くはないにも関わらず，現時点で比較的高精度に検出できていることから判断すると，当初の計画以上に伸展しているといえる。
|
| Strategy for Future Research Activity |
他施設から死後CT画像の提供を得ることが決まっており，今後さらに学習例数を増やし，また，出血領域セグメンテーションを再確認することで，これまで以上に高精度の検出率を得ることができると考えている。さらに，頭蓋内出血の外因性・内因性の鑑別精度を上げるために，頭蓋骨骨折，皮下出血についても深層学習を進めるとともに，各モデルの長所を生かすように複数のモデルの結果を統合するアンサンブルモデルの構築を行う予定である。
頭蓋内出血，頭蓋骨骨折，皮下出血等の頭部に関する検討が終わり次第，頚部～骨盤部の出血（胸腔内出血，腹腔内出血等），骨折等の検討についても進めていく予定である。
|
Report
(1 results)
Research Products
(2 results)
