2018 Fiscal Year Annual Research Report
Development of electronic cleansing system for CT colonograpy using multiple deep learning and material decomposition
| Project/Area Number |
16H05913
|
|---|
| Research Institution | Oshima National College of Maritime Technology |
|---|
Principal Investigator |
橘 理恵 大島商船高等専門学校, その他部局等, 准教授 (90435462)
|
|---|
| Project Period (FY) |
2016-04-01 – 2019-03-31
|
| Keywords | 医用システム / Deep learning / CTコロノグラフィ |
|---|
| Outline of Annual Research Achievements |
本課題では，デュアルエネルギーCT画像を対象として，機械学習法の一つであり高精度な画像認識が可能とされている深層学習法を多列化し，自動的に電子洗浄を行い高鮮明なCTコロノグラフィ像を生成する手法を開発することを目指して研究を行ってきた．平成29年度では，提案手法を用いることで超低線量画像においても従来法に比べて精度高く領域分割できることが分かった．また，深層学習から得る領域分割の結果の評価だけでなく，CTコロノグラフィ像を生成して，深層学習による電子洗浄法の定量的評価を行った結果，CTコロノグラフィ像においても深層学習による手法が従来法よりも良いことが分かった．しかしながら，計算に膨大な時間を要し臨床で使用可能なレベルには至らなかった．そのため，平成30年度はFully Convolutional Network（FCN）を用いて処理時間の高速化を試みることを検討した．また，3次元の正確な教師ラベルを用意するためファントム画像を用いた学習を試みた．シングルエネルギーCT画像のみによる実験となったが，処理時間の高速化を可能としつつ，平成29年度までの手法と同程度の結果を得ることができた．しかしながら，電子洗浄後のCTコロノグラフィ像は依然として臨床利用可能なレベルには至らなかった．電子洗浄後のCTコロノグラフィ像は， FCNや多列化した深層学習によって得られる領域分割画像の結果を基に原画像から洗浄すべき画素を取り除いた画像から生成される．そのため，領域分割した結果において数画素の誤差が， CTコロノグラフィ像上では電子洗浄時のアーティファクトとして存在してしまうことが検討課題として残った．
|
| 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。
|
