2018 Fiscal Year Annual Research Report
Research on the machine learning with gestalt pattern analysis of drawing picture for exploring novel index of mental disfunctions
| Project/Area Number |
16K01512
|
|---|
| Research Institution | Kyoto University |
|---|
Principal Investigator |
稲富 宏之 京都大学, 医学研究科, 教授 (10295107)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
岩田 基 大阪府立大学, 工学(系)研究科(研究院), 准教授 (70316008)
|
|---|
| Project Period (FY) |
2016-04-01 – 2019-03-31
|
| Keywords | リハビリテーション / 精神機能障害 / 機械学習 / バウムテスト / 樹木画分類 / ゲシュタルト |
|---|
| Outline of Annual Research Achievements |
前年度までの実績を踏まえ、最終年度ではCNN を用いた樹木画の画型分類の推定精度を改善する手法を検討した．まず、ResNetにおける層数の異なる構造モデル、及び特徴マップを各チャネルで適応的に重み付けるネットワーク構造「Squeeze-and-Excitation block (SE block)」の適用も加えて検証した結果、画型4クラス分類の推定精度はSE-ResNet-34 を用いた場合が69.7%と最も精度が高かった。ResNetの層数により推定精度が異なったのは、データセットの大きさに適した層の深さがある可能性を示唆する。さらにこのSE-ResNet-34 を用いて、疑似画像と実物画像を識別する構造モデルである「Generative Adversarial Network（GAN）」による画型4クラス分類を行った結果では推定精度が67.3%と低くなった。これは、GANにより生成された疑似画像のうち、陰性画と合併画において小さい樹木画やほぼ白紙のような画像が多く認められたことから、それらの疑似画像がCNNの学習の効率を下げたのかもしれない。
このように研究期間全体を通じて実施した成果として、樹木画のデータセットに画像処理を施してサンプル数を増加させる「data augmentation」、及びスケッチ画像の大規模データセット「The Sketchy Database 」による学習済みのCNNの併用は有用であることが示唆された。そして、データセットの大きさに最適な層の深さを設定できればCNN の構造モデルにSE-ResNetを用いる手法の有用性がさらに高まる可能性も示唆された。また、臨床現場で収集できる樹木画のサンプル数を多く増やすには制約がある。そのため、本研究の場合にGANは有用であるが、画型の識別精度を高めるための疑似画像の最適枚数の検討が必要であることも確認できた。
このように本研究の成果から、高い識別精度と樹木画の客観的な画型判定が期待できる方法を確認できた。
|
