| Project/Area Number |
23K21683
|
|---|
| Project/Area Number (Other) |
21H03470 (2021-2023)
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund (2024)
Single-year Grants (2021-2023) |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 61010:Perceptual information processing-related
|
|---|
| Research Institution | Ritsumeikan University |
|---|
Principal Investigator |
陳 延偉 立命館大学, 情報理工学部, 教授 (60236841)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
劉 家慶 立命館大学, 情報理工学部, 助教 (20948343)
岩本 祐太郎 大阪電気通信大学, 情報通信工学部, 准教授 (30779054)
韓 先花 立教大学, 人工知能科学研究科, 教授 (60469195)
金崎 周造 滋賀医科大学, 医学部, 非常勤講師 (90464180)
李 印豪 立命館大学, 情報理工学部, 助教 (90962465)
古川 顕 東京都立大学, 人間健康科学研究科, 教授 (80199421)
|
|---|
| Project Period (FY) |
2021-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥17,160,000 (Direct Cost: ¥13,200,000、Indirect Cost: ¥3,960,000)
Fiscal Year 2024: ¥3,510,000 (Direct Cost: ¥2,700,000、Indirect Cost: ¥810,000)
Fiscal Year 2023: ¥5,330,000 (Direct Cost: ¥4,100,000、Indirect Cost: ¥1,230,000)
Fiscal Year 2022: ¥2,990,000 (Direct Cost: ¥2,300,000、Indirect Cost: ¥690,000)
Fiscal Year 2021: ¥5,330,000 (Direct Cost: ¥4,100,000、Indirect Cost: ¥1,230,000)
|
|---|
| Keywords | 医用画像処理 / 深層学習 / 弱教師学習 / 肝臓腫瘍性病変 / アテンション / マルチフェーズ画像 / フェーズアテンション / フェーズアテンションネット / 臨床データ / 肝臓がん / アテンション機構 / 弱教師あり学習 / 教師なし学習 / 肝臓腫瘍セグメンテーション / 早期再発予測 |
|---|
| Outline of Research at the Start |
Self-Attention機能をもつTransfoormerなどの最新深層学習手法を用いて、医用画像（マルチフェーズCT画像、マルチモーダルMRI画像、病理画像など）における肝臓がんの高精度な診断支援手法を開発・確立する。以下の三つの研究テーマを中心に進めていく。
(1) 肝臓腫瘍に関する医用画像データベースを構築する。
(2) Attention機構を利用した異なるフェーズまたはモーダル医用画像データをadaptiveに統合し、精度の向上を目指す。
(3) 部分的なアノテーションまたは画像レベルアノテーションだけで解析ができる弱教師付き学習法を開発し、診断支援の高効率化を目指す。
|
| Outline of Annual Research Achievements |
肝臓がんは、平均5年生存率が30％程度とがん全体の中でも極めて低く、正確な診断に基づく早期発見が求められる。肝臓がんの診断には、マルチフェーズCT画像（造影剤を注入してから経時的に複数回の撮像で得られたCT画像）がよく用いられる。近年深層学習を代表とする人工知能による肝腫瘍性病変の診断支援が多く研究されているが、既存手法では、個々のフェーズから特徴を抽出し、診断を行っていたため、診断精度は80%に留まっていた。また、事前に腫瘍を検出または分割する必要があった。本研究では、学習により腫瘍の種類毎にフェーズ間の重みを自動的に調整し、鑑別に重要なフェーズを強調可能なフェーズアテンション機構を提案する。マルチフェーズCT画像から有効時空間特徴抽出法を確立するとともに、腫瘍領域のアノテーションを必要としない弱教師学習による肝腫瘍性病変の検出・鑑別法を確立する。以下の研究成果が挙げられた。
(1)フェーズ内アテンション機構とフェーズ間アテンション機構を提案し、マルチフェーズCT画像における肝臓腫瘍を高精度にセグメンテーションすることができた。
(2)フェーズアテンション深層学習モデルを提案し、マルチフェーズCT画像を用いた肝臓がんの術後再発を高精度に予測することができた。
(3)敵対的生成ネットワークを用いた弱教師あり学習法と教師なし学習法による肝臓腫瘍の検出とセグメンテーション法を開発した。
(4)TIP, TMI, JBHI, MICCAI, AAAI, ICCVなどのトップ学術誌及び国際学会で成果を発表してきた。
(5)General Chairとして、2021年6月に国際学会 InMed2021を主催し、国際連携ネットワークを構築した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
計画通りに以下の成果が得られた。
(1)フェーズ内アテンション機構とフェーズ間アテンション機構を提案し、マルチフェーズCT画像における肝臓腫瘍を高精度にセグメンテーションすることができた。
(2)フェーズアテンション深層学習モデルを提案し、マルチフェーズCT画像を用いた肝臓がんの術後再発を高精度に予測することができた。
(3)敵対的生成ネットワークを用いた弱教師あり学習法と教師なし学習法による肝臓腫瘍の検出とセグメンテーション法を開発した。
(4)TIP, TMI, JBHI, MICCAI, AAAI, ICCVなどのトップ学術誌及び国際学会で成果を発表してきた。
|
| Strategy for Future Research Activity |
今後は以下の研究項目を中心に研究を進めていく。
(1)フェーズアテンションとチャンネルアテンション、空間アテンションを融合した複合アテンション機構を新たに開発し、高精度な肝臓がんの支援診断システムを開発する。
(2)少ないデータでも学習できる、新たな弱教師学習と半教師学習のフレームワークを開発する。
(3)マルチフェーズCT画像だけではなく、マルチフェーズMR画像や顕微鏡画像などの融合による高精度な肝臓がんの支援診断システムを開発する。
|
