Construction of a disease type discriminator based on cell histomorphology and realization of a platform for atypicality analysis of malignant lymphomas
| Project/Area Number |
23K24869
|
|---|
| Project/Area Number (Other) |
22H03613 (2022-2023)
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund (2024)
Single-year Grants (2022-2023) |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 61010:Perceptual information processing-related
|
|---|
| Research Institution | Nagoya Institute of Technology |
|---|
Principal Investigator |
本谷 秀堅 名古屋工業大学, 工学(系)研究科(研究院), 教授 (60282688)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
三好 寛明 久留米大学, 医学部, 准教授 (30647780)
横田 達也 名古屋工業大学, 工学(系)研究科(研究院), 准教授 (80733964)
大島 孝一 久留米大学, 医学部, 教授 (50203766)
Kugler Mauricio 名古屋工業大学, 工学(系)研究科(研究院), 助教 (70456713)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥17,290,000 (Direct Cost: ¥13,300,000、Indirect Cost: ¥3,990,000)
Fiscal Year 2024: ¥5,330,000 (Direct Cost: ¥4,100,000、Indirect Cost: ¥1,230,000)
Fiscal Year 2023: ¥5,460,000 (Direct Cost: ¥4,200,000、Indirect Cost: ¥1,260,000)
Fiscal Year 2022: ¥6,500,000 (Direct Cost: ¥5,000,000、Indirect Cost: ¥1,500,000)
|
|---|
| Keywords | 医用画像処理 / 病理画像解析 / 悪性リンパ腫 / 病理画像処理 / 病理画像 / 反事実画像 / 説明可能性 |
|---|
| Outline of Research at the Start |
組織の顕微鏡画像に基づいて悪性リンパ腫の種別を識別する人工知能を構築する。人工知能の判断基準が病理医にも解釈できる人工知能の実現を目指す。病理医が解釈できる器械は、がん化に伴う細胞組織形態の変化を定量化できるはずである。そこで、細胞組織の形態変化を陽に記述する器械を構築する。
|
| Outline of Annual Research Achievements |
本研究の目標は、悪性リンパ腫の病型ごとに固有な、細胞組織の異型性を定量評価するための形態特徴を明らかにすることである。そのためにまず、H&E染色病理画像からの病型識別器を構築する。病型識別器の実現には、細胞核ごとに病型識別への寄与度を求めるために、H&E染色画像をCell-Graphで記述した上でGraph Neural Networkを採用する。Cell-Graphは細胞核をノードとし、近接する細胞核どうしを辺で結んで得られる病理画像表現である。構築した病型識別器に基づき、病理医に解釈可能な形態特徴による異型性の定量評価基準を明らかにするために、Concept Attributionの枠組みを採用する。病理医に解釈可能な形態特徴の冗長なリストを用意し、細胞核ごとに求めた病型識別への寄与度と併せることにより各形態特徴について病型の分離度を評価する。分離度の高い形態特徴を基準として採用する。
2022年度にはまず、H&E染色病理画像からの病型識別器を構築した。病型識別器の実現には、細胞核ごとに病型識別への寄与度を求めるために、H&E染色画像をCell-Graphで記述した上でGraph Neural Networkと画像パッチをそのまま入力するCNNを基礎とする手法の双方を採用した。Cell-Graphは細胞核をノードとし、近接する細胞核どうしを辺で結んで得られる病理画像表現である。構築した病型識別器に基づき、病理医に解釈可能な形態特徴による異型性の定量評価基準を明らかにするために、Concept Attributionの枠組みを採用した。この枠組みでは反事実画像を生成することにより病型識別に寄与する術語を明らかにする。2022年度にはCNNを基礎とする手法の解析に注力し、病型に関する反事実画像の生成法を構築した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当初の計画通り病型識別器を構築し、定量評価基準構築に必要な反事実画像生成も実現した。ただし、反事実画像生成法が病理学的には存在しえない可能性も示唆されたため、計画以上の進展とは言い難い。
|
| Strategy for Future Research Activity |
既存の反事実画像生成法では病理画像解析に不向きであることが分かった。既存の条件付き画像生成法の多くが入力画像中の輪郭の位置を固定する傾向にあり、このことが生成する反事実画像の信頼度を低下させている。新たな手法の開発に着手したい。
|
Report
(1 results)
Research Products
(7 results)
