2015 Fiscal Year Research-status Report
オンライン学習および転移学習の併用による画像診断支援システムの動的高性能化
| Project/Area Number |
15K01325
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
野村 行弘 東京大学, 医学部附属病院, 特任研究員 (60436491)
|
|---|
| Project Period (FY) |
2015-04-01 – 2018-03-31
|
| Keywords | 医用画像 / 診断支援システム / 転移学習 |
|---|
| Outline of Annual Research Achievements |
平成27年度は以下の3項目について実施した。
(1) 頭部MRA画像の脳動脈瘤自動検出ソフトウェアの新規施設への適用を想定した、転移学習を用いた動的性能改善について検討した。学習済の識別器の特徴量データが不要でかつ、転移学習前より性能が低下しないことに対する理論的保証がされている2種類のオンライン転移学習アルゴリズムを用いたシミュレーション実験を行った。その結果、転移学習を用いることで再学習を行う場合よりも効率良く性能改善が図れることを示せた。現在、論文誌への投稿準備中である。
(2) CTの被ばく低減技術として近年注目されている、逐次近似画像再構成法を用いたCT画像における肺結節自動検出ソフトウェアの性能評価を行った。複数の再構成条件、X線量の組合せについて評価した結果、超低線量CT画像では逐次近似画像再構成法で再構成することで従来のフィルタ補正逆投影法で再構成した場合より病変検出性能が改善した。一方、逐次近似画像再構成法の一部の再構成条件では画質の変化による性能低下が認められ、自動検出ソフトウェアの再学習または転移学習による性能改善の必要性が示唆された。成果の一部について論文誌へ投稿中である。
(3) 画素単位で学習を行う識別器を用いた自動検出ソフトウェアの動的性能改善を検討に必要となる、画素単位の病変形状情報を含む症例データを効率よく収集するために、Webブラウザ上で任意断面での病変形状情報の入力が可能な画像データベースシステムを構築した。構築したシステムを用いて新たに約300例の病変形状情報を取得した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
転移学習を用いた動的性能改善については、シミュレーション実験により適切な学習アルゴリズムが明らかになった。また、オンライン学習による性能改善についてはシミュレーション実験を行うための準備が整った。
|
| Strategy for Future Research Activity |
画素単位で学習を行う識別器を用いた肺結節自動検出ソフトウェアについてオンライン学習を用いた動的性能改善方法の検討を行う。また、学習に必要な病変形状情報入力の簡略化によるソフトウェア性能への影響についても併せて検討する。さらに構築した手法について、既に開発した統合的CADソフトウェア実行／評価環境（CIRCUS CS）への実装に向けたライブラリ化を行う。
|
| Causes of Carryover |
次年度使用額が生じたのは予定していた物品の購入が次年度にずれ込んだためである。
|
| Expenditure Plan for Carryover Budget |
各種データ保存用の大容量ハードディスク等の物品購入、成果発表に必要な国内外の学会参加のための旅費、学会参加費、英文校閲費、投稿料などに使用予定である。進捗状況に応じてライブラリ開発補助など研究補助者への謝金を支出予定である。
|
