A uniform method for automatically developing various computer-aided detection systems using image feature generation

• Project Area: Multidisciplinary computational anatomy and its application to highly intelligent diagnosis and therapy
• Project/Area Number: 17H05284
• Research Category: Grant-in-Aid for Scientific Research on Innovative Areas (Research in a proposed research area)
• Allocation Type: Single-year Grants
• Review Section: Science and Engineering
• Research Institution: Kindai University
• Principal Investigator: 根本 充貴 近畿大学, 生物理工学部, 講師 (10451808)
• Project Period (FY): 2017-04-01 – 2019-03-31
• Project Status: Completed (Fiscal Year 2018)
• Budget Amount: ¥2,990,000 (Direct Cost: ¥2,300,000、Indirect Cost: ¥690,000); Fiscal Year 2018: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000); Fiscal Year 2017: ¥1,820,000 (Direct Cost: ¥1,400,000、Indirect Cost: ¥420,000)
• Keywords: コンピュータ検出支援 / 局所画像特徴量 / 健常構造の学習 / 解剖学的ランドマーク / 畳み込みオートエンコーダ / 畳み込みニューラルネットワーク / 機械学習 / 深層学習 / 特徴量自動生成 / 医用画像認識 / 診断支援

Outline of Annual Research Achievements

コンピュータ検出支援(CADe)システムの開発において，モダリティや検出病変の種類を横断した汎用的な自動開発手法に向けた基盤技術を構築する目的にむけて，複数の局所画像特徴量の自動生成に関する検討を行った．
この研究では，学習データが十分にない状態でのCADeシステム開発の可能性を考慮し，病変データの量によらない特徴量自動生成法という観点で検討を行った．
1つ目の検討は，正常(健常)な解剖構造のアピアランスデータのみを学習した深層畳み込みオートエンコーダ(Deep CAE)を用いた，異常検知的な特徴量生成である．正常な解剖構造のみ学習したDeep CAEは，正常データからは学習どおりに潜在変数抽出やデータ復元ができる一方で，学習済の正常パターンとは異なる病変パターンが入力された際には潜在変数抽出やデータ復元にずれが生じることを期待した．胸部CT上の肺結節および正常組織の画像パッチ認識問題を例に，Deep CAEによる自動生成特徴量を用いた認識性能検証実験を行った結果，提案法の有用性が確認された．この研究成果に関連して，国際会議1件および国内学会1件の発表を行った．
2つ目の検討は，同じく正常な解剖構造である解剖学的ランドマーク(LM)の高精度認識を実現する深層畳み込みニューラルネットワーク(Deep CNN)の転移学習である．CNNは，特徴量抽出器と識別器を併せ持ったモデルである．ある認識タスクで学習したCNNは，しばしば別認識問題を解くための特徴量抽出器として用いられる(転移学習の1種)．本研究は，複数LMを高精度認識するDeep CNNの学習により，医用画像処理に汎用的な特徴量抽出器が生成されることを期待したものである．実験的な検証の結果，97.2%の精度で20LMの認識を行うCNNを得るに至った．この研究成果は，2019年6月の国際会議で発表予定である．

Research Progress Status

平成30年度が最終年度であるため、記入しない。

Strategy for Future Research Activity

平成30年度が最終年度であるため、記入しない。

Research Products

• [Journal Article] Feasibility Study of a Generalized Framework for Developing Computer-Aided Detection Systems?a New Paradigm (2017)
  • Author(s): Nemoto Mitsutaka、Hayashi Naoto、Hanaoka Shouhei、Nomura Yukihiro、Miki Soichiro、Yoshikawa Takeharu
  • Journal Title: Journal of Digital Imaging Volume: 30 Issue: 5 Pages: 629-639
  • DOI: 10.1007/s10278-017-9968-3
  • Peer Reviewed
• [Presentation] Pilot study to generate image features by deep autoencoder for computer-aided detection systems. (2019)
  • Author(s): M Nemoto, K Ushifusa, Y Kimura, N Hayashi
  • Organizer: International Forum on Medical Imaging (IFMIA)
  • Int'l Joint Research
• [Presentation] 畳み込みニューラルネットワーク転移学習による解剖学的ランドマーク自動認識の初期検討 (2019)
  • Author(s): 根本充貴，山戸祐樹，木村裕一，花岡昇平，林直人
  • Organizer: 第3回人工知能応用医用画像研究会
• [Presentation] 深層畳み込みオートエンコーダを用いた健常データの教師なし学習による病変認識特徴量の汎用的自動生成 (2019)
  • Author(s): 牛房和之，根本充貴，木村裕一，永岡隆，山田誉大，田中敦子，林直人
  • Organizer: 第58回 日本生体医工学会大会
• [Presentation] A pilot study to classify multiple anatomical landmarks in CT by deep convolutional neural network (2019)
  • Author(s): M Nemoto, Y Yamato, Y Kimura, S Hanaoka, N Hayashi
  • Organizer: CARS 2019 Computer Assisted Radiology and Surgery
  • Int'l Joint Research
• [Presentation] 病変検出アルゴリズムにおける局所画像特徴量の 汎用的な自動生成 －健常データのみの学習による特徴量生成の検討－ (2019)
  • Author(s): 牛房和之，根本充貴，木村裕一，永岡隆，山田誉大，林直人
  • Organizer: JAMIT2019 第38回日本医用画像工学会大会
• [Presentation] Autoencoderによる医用画像処理に用いる画像特徴量の自動生成 (2018)
  • Author(s): 牛房和之，根本充貴
  • Organizer: 和歌山県臨床工学技士会学術集会
• [Presentation] 工知能・機械学習による画像診断支援： 画像診断支援のいまを知る (2018)
  • Author(s): 根本充貴
  • Organizer: 第40回 ソニックＣＴカンファレンス
  • Invited
• [Presentation] Convolutional neural networkを用いた解剖学的ランドマークの自動検出に関する初期検討 (2018)
  • Author(s): 根本充貴，渡辺翔吾，木村裕一，花岡昇平，野村行弘，吉川健啓，林直人
  • Organizer: 電子情報通信学会・医用画像研究会