Temporal Comparison of Medical Images Based on Deep Anomaly Detection Techniques

• Project/Area Number: 23K14888
• Research Category: Grant-in-Aid for Early-Career Scientists
• Allocation Type: Multi-year Fund
• Review Section: Basic Section 52040:Radiological sciences-related
• Research Institution: The University of Tokyo
• Principal Investigator: 中尾 貴祐 東京大学, 医学部附属病院, 特任助教 (00876089)
• Project Period (FY): 2023-04-01 – 2026-03-31
• Project Status: Granted (Fiscal Year 2023)
• Budget Amount: ¥2,730,000 (Direct Cost: ¥2,100,000、Indirect Cost: ¥630,000); Fiscal Year 2025: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000); Fiscal Year 2024: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000); Fiscal Year 2023: ¥130,000 (Direct Cost: ¥100,000、Indirect Cost: ¥30,000)
• Keywords: 深層学習 / 異常検知 / 医用画像 / 経時比較 / コンピュータ支援診断 / 経時的比較

Outline of Research at the Start

本研究は、CTなどの医用画像において、「同一患者の過去の画像との比較」を支援するシステムの開発を目指すものである。単純に差分を取る手法では、過去画像との位置合わせのずれをはじめとしたさまざまな要因で望まない差分が生じたり、あるいは反対に医学的に意味のある差分が誤って打ち消されてしまうことがありうる。本研究では、深層学習により「正常な過去画像・今回画像の組」がどのようなものか学習し、そこから外れた変化を異常として捉えることで画像の比較を行う。

Outline of Annual Research Achievements

本研究は、医用画像の経時的比較を行う、すなわちある画像を過去の同一検査の画像と比較するようなコンピュータ支援診断システムの開発を目的とするものである。単純に画像どうしの差分を取るのではなく、ニューラルネットワーク (NN) を用いた異常検知手法を導入することで、よりよい経時的比較の実現を目指す。
初年度である当該年度においては、まず開発用データセットとして、研究者の所属施設よりFDG-PET画像を収集した。最終的には提案手法の全身CTへの応用を目指しているが、全身CT画像は画素数が多く、NNでの扱いが難しい。そこで、より画素数の少ない3次元医用画像であるPET画像で提案手法の実現可能性を検討することとした。「前回画像・今回画像がともに正常であるようなペア」を300患者1076ペア、「前回画像は正常、今回画像は異常であるようなペア」を11患者11ペア分収集した。必要に応じてさらにデータを追加することも可能である。
続けて、収集されたデータセットを用い、異常検知NNモデルの開発を開始した。基礎となるモデルとして、前回画像と今回画像の位置合わせを行うNNであるTransMorph (J Chen et al 2021. arXiv:2111.10480) を利用することとし、これが開発用データセットに対してよく動作することを確認した。その後現在に至るまで、TransMorphをもとにした異常検知NNの開発を継続している。

Current Status of Research Progress

2: Research has progressed on the whole more than it was originally planned.

Reason

提案手法を実現するNNモデルの開発に必要なデータセットを収集し、また提案手法の主要な要素技術の一つである、位置合わせNNの有用性を確認した。当初の想定通り、実際にモデルの開発に取り掛かることができている。

Strategy for Future Research Activity

異常検知NNとして、どのような手法やモデル構造が有用かを引き続き探索し、開発を継続する。PET画像に対して十分な性能を有するNNモデルが開発できた時点で、全身CTへの転用が可能か検討する。
最終的には、読影実験などを通じて臨床的有用性を検討してゆく。