| Project/Area Number |
23K11141
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 61010:Perceptual information processing-related
|
|---|
| Research Institution | Hokkaido University |
|---|
Principal Investigator |
藤後 廉 北海道大学, 情報科学研究院, 特任助教 (60840395)
|
|---|
| Project Period (FY) |
2023-04-01 – 2028-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,810,000 (Direct Cost: ¥3,700,000、Indirect Cost: ¥1,110,000)
Fiscal Year 2027: ¥650,000 (Direct Cost: ¥500,000、Indirect Cost: ¥150,000)
Fiscal Year 2026: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2025: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2024: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
Fiscal Year 2023: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
|
|---|
| Keywords | 深層学習 / 人工知能 / データ蒸留 / 少量データ学習 / 医用画像解析 / 機械学習 |
|---|
| Outline of Research at the Start |
本研究では，医療AIの汎用性向上を目指す超少量匿名学習技術および汎用学習技術の構築を目指す．一般画像を対象とするAI技術の発展と比較して，医用画像を対象とするAI技術の応用範囲は依然として限定的である．そこで本研究では，一般画像と医用画像のそれぞれが有する性質の差異に着目することで，医療AIの汎用性向上を実現する技術を構築する．具体的には，まず，データ蒸留技術に基づき，匿名性の高い汎用蒸留画像を生成する．そして，モデルベースドメイン適応技術と組み合わせることで，汎用的用途で利用可能なデータおよびモデルの構築を実現する．本研究では，医用画像を対象として，構築技術の有効性検証を実施する．
|
| Outline of Annual Research Achievements |
本研究では，医療AIの汎用性向上を目指す超少量匿名学習技術および汎用学習技術の構築を目指す．一般画像を対象とするAI技術の指数関数的発展と比較して，医用画像を対象とするAI技術の応用範囲は依然として限定的である．そこで本研究では，一般画像と医用画像のそれぞれが有する性質の差異に着目することで，医療AIの汎用性向上を実現する技術を構築する．具体的には，まず，データ蒸留技術に基づき，匿名性の高い汎用蒸留画像を生成する．そして，モデルベースドメイン適応技術と組み合わせることで，汎用的用途で利用可能なデータおよびモデルの構築を実現する．本研究では，複数種類の医用画像および複数施設から得られる医用画像を対象として，構築技術の有効性検証を実施する．
本年度では，まず，医用画像と対象とする前に，一般画像におけるデータ蒸留技術の構築を行った．より基礎的なデータを対象とした理論構築を出発点とすることで，構築理論の有効性を検証しつつ，医用画像データへの応用可能性について検討可能となる．本年度は，一般データを対象としたデータ蒸留における基礎理論を構築し，ニューラルネットワーク分野のトップ論文誌Neural Networksへの採択に至った．また，これらの技術の改良版を画像処理分野における世界最大の国際会議International Conference on Image Processing (ICIP) およびコンピュータビジョン分野における世界最高峰の国際会議International Conference on Computer Vision and Pattern Recognition (CVPR)のデータ蒸留ワークショップへ投稿中である．
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
本年度では，汎用性の高い医療AI構築のための基盤技術構築に取り掛かった．AIモデルに関する理論構築を行う中で，まずは一般画像を対象とした理論構築を行い，続いて，医療データへの拡張を行うことが望ましいと考えられる．そこで，まずは一般データを対象とした医療データ蒸留技術の構築に取り掛かった．深層学習分野におけるデータ蒸留とは，大規模なデータセットから重要な情報を抽出し，小さなデータセットに圧縮するための方法である．本技術は，いくつかのアプローチが存在しており，元のデータセットから冗長性を削減するようなサブセットを選択することで学習に必要な情報を保持する方法や，ニューラルネットワークにおける勾配を画像レベルまで伝搬し，モデルパラメータを大規模モデルの出力と一致させるような少量データセットを生成するアプローチなどが存在する．本研究では，医療応用を見据えていることから，データ選択に基づくアプローチでは，個人情報の匿名化がされないことに着目し，統計的データのみをデータとして保持することが可能なパラメータマッチングに基づくデータ蒸留アプローチを選択した．現状のデータ蒸留技術は，その絶対的な精度が高くないことから，理論改善を継続的に実施した．一般画像を対象とした基盤理論を構築し，研究成果はニューラルネットワーク分野のトップ論文誌Neural Networksへの採択に至った．また，その他の改善理論も提案して，国際会議ICIPやCVPRWへ投稿中である．
|
| Strategy for Future Research Activity |
本年度では，「【フェーズ１】医用画像に対するデータ蒸留技術の構築」に着手しており，一般画像を対象とした理論構築を実施し，研究成果が学術論文誌に採択されるに至った．今後の方針としては，まず，構築理論を医用画像に適用・拡張する予定である．既に，医用画像のデータセットは整備済みであることから，本項目については先行着手しており，予備的な実験結果が得られている．具体的には，教師モデルと生徒モデルを有するパラメータ一致性に基づくデータ蒸留技術の基盤理論を医用画像に適用し，生成された蒸留データが他のモデルの学習に有効であることを検証している．
また，周辺環境として，GPU等の演算環境も整備することで，研究のさらなる推進を図る予定である．この実現のため，所属大学のオープンリソースなどの積極的な活用にも取り組む予定である．
さらに，フェーズ2とも関連する自己教師あり学習についても一般画像における理論構築に着手する予定である．自己教師あり学習の関連分野は大規模言語モデルの台頭により，大きく発展を遂げており，これらのトレンドを入れることで，医療AIの高度化にも貢献可能になり，【フェーズ１】および【フェーズ2】のシームレスな接続が可能になると考えられる．
|
