2020 Fiscal Year Research-status Report
超解像化fMRIに対する教師無し学習を併用した脳情報デコーディングシステムの開発
| Project/Area Number |
17K00312
|
|---|
| Research Institution | Kochi University of Technology |
|---|
Principal Investigator |
吉田 真一 高知工科大学, 情報学群, 教授 (30334519)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
岡本 一志 電気通信大学, 大学院情報理工学研究科, 准教授 (10615032)
佐伯 幸郎 神戸大学, システム情報学研究科, 特命講師 (40549408)
|
|---|
| Project Period (FY) |
2017-04-01 – 2022-03-31
|
| Keywords | 超解像 / MRI / GAN |
|---|
| Outline of Annual Research Achievements |
Generative Adversarial Network (GAN)を用いたMRI超解像化手法の開発を行った．2次元画像を対象にした深層ニューラルネットワークを用いた超解像化手法においては，単一画像による超解像を高精細に実現する SRGAN が提案されて以来，SRGANの拡張手法が多数研究されてきている．MRIの3次元画像においても 3次元に拡張した SRGAN の提案を研究代表者らも含めて取り組んできているが，大量の教師画像が必要となる一方，2次元の自然画像ほど多くの教師画像が用意できない問題があった．2次元の場合では，転移学習が一般に使われるようになり，ImageNetなどの一般画像データで大量に学習された学習済みモデルを，別分野でファインチューニングさせる手法が開発され，医用画像においても有効性が確認されている．3次元においては，ImageNetなどの一般画像データが存在せず学習済みモデルを用いることができなかった．本年度の研究において，2次元超解像化手法を3次元画像データに適用させる手法を新たに開発した．この手法では，2次元SRGANの拡張手法である ESRGAN を，3次元MRI画像の3方向 (sagittal, coronal, axial)の各2次元スライスに適用させ超解像化させた後，補間処理も合わせて3次元高解像度画像を得る．この手法を使うことで，2次元の学習済みモデルを使うこともでき，モデルの計算コストの低減にも資することができる．また，この手法をより広い分野に適用することも考えており，より高次元の情報を有する拡散テンソル画像の超解像化なども，2次元画像による部分空間を構成した後に，2次元超解像化を行い補間も合わせて元の高次元データの超解像化ができるものと考えている．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
fMRI装置を使用した実験ができなかったこともあり，十分なデータを用いることができなかった．一方で，データの少なさを補うために2次元の超解像手法であるESRGANを3次元MRI画像に適用する手法を考案した．
|
| Strategy for Future Research Activity |
2次元ESRGANを使った3次元MRI画像の超解像化手法の更なる検討と，MRIデータの高解像化を行ったシステムに対する機械学習システムの開発を予定している．
|
| Causes of Carryover |
fMRI装置を用いた被験者実験が感染症拡大により行えなかったため，被験者実験用に準備していた研究費を持ち越すことになった．
|
