2016 Fiscal Year Research-status Report
PETを教師としたMR磁化率強調像の機械学習による脳循環代謝異常の検出
| Project/Area Number |
16K19869
|
|---|
| Research Institution | 秋田県立脳血管研究センター(研究部門) |
|---|
Principal Investigator |
松原 佳亮 秋田県立脳血管研究センター(研究部門), その他部局等, 研究員 (40588430)
|
|---|
| Project Period (FY) |
2016-04-01 – 2019-03-31
|
| Keywords | 磁化率強調像 / PET / 脳循環代謝 / 機械学習 / 深層学習 / 脳卒中 |
|---|
| Outline of Annual Research Achievements |
磁気共鳴画像法(MRI)により得られる磁化率強調像(SWI)は脳循環代謝の異常に伴う静脈血中の脱酸素化ヘモグロビンの増加を静脈増強所見として画像上で捉えることができるが，SWI上の所見の僅かな変化を捉えるには経験を要し，観察者間でも不一致が生じるという問題がある．一方でデータに隠れたパターンや表現，判断基準をコンピュータに学習させ，問題解決能力を獲得させる機械学習が近年発達してきている．本研究では脳循環代謝測定のゴールド・スタンダードとなっている酸素15 PET検査画像を教師としたSWIの機械学習により，脳循環代謝異常の検出を試み，その精度及び有用性を明らかにする．そして，本手法による脳循環代謝異常の診断支援システムを確立させることを目的としている．
本研究ではまず脳循環代謝異常の検出に適した特徴量のスクリーニングを行った．145例の片側性動脈狭窄閉塞症のSWIから輝度値の1次統計量（標準偏差，尖度，歪度など），SWI画像上のテクスチャ特徴量，Histogram of Gradient (HoG)特徴量を抽出し，サポートベクターマシンによる学習を行った．しかし，それらの特徴量でSWI上の静脈増強所見を的確に捉えるには至らず，学習の精度も55%程度と非常に悪い結果となった．
次に画像認識の分野で応用が広がっているconvolutional autoencoder (CAE)による特徴量抽出を試みた. CAEの深さを変えて特徴量抽出を試みたが，静脈増強所見を特徴的に捉えたような画像は得られず，脳の輪郭を捉えるにしか至らなかった．今後，CAEのように入力画像と出力画像が同じになるように学習させるのではなく，脳循環代謝異常，つまり酸素摂取率(OEF)の亢進を直接学習させるようなアーキテクチャの構築を試みる予定である．
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
本研究では１年目で学習に最適な特徴量のスクリーニングを終える予定であったが，未だにSWIにおける静脈増強所見を的確に捉えうる特徴量を得るに至っていない．一方で，学習のためのアルゴリズム及び学習器の探索・最適化も行うとしていたが，アルゴリズムについてはサポートベクターマシン、及び，画像認識の分野で応用が進んでいる畳み込みニューラルネットワーク (CNN)系のアルゴリズムに絞り込んできている．２年目は特徴量のスクリーニングに特に重点を置いて検討を続ける予定である．
|
| Strategy for Future Research Activity |
これまでの特徴量のスクリーニングではSWIにおける静脈増強所見を的確に捉えられる特徴量という観点でスクリーニングを行ってきたが，今後はOEF亢進などの代謝異常を直接捉えられる特徴量という観点でのスクリーニングを行っていく．具体的にはそのような特徴量を得るためのautoencoder, CNNの構築を試みる予定である．
|
| Causes of Carryover |
当初予定していた学会出張がなくなったため，また，別の研究会への出張と変更になったため，その差額が発生した．
|
| Expenditure Plan for Carryover Budget |
最新の研究を調査するための学会出張費に充当する予定である．
|
