2021 Fiscal Year Annual Research Report
Brain Decoding for Super-resolution fMRI with unsupervised learning
| 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, 特命助教 (40549408)
|
|---|
| Project Period (FY) |
2017-04-01 – 2022-03-31
|
| Keywords | MRI / 超解像 / 深層学習 / 敵対的生成ネットワーク |
|---|
| Outline of Annual Research Achievements |
超解像デコーディングに関して次にあげる研究成果の報告を行った．まず，3次元MRI画像の超解像アルゴリズムに関して，敵対的生成ネットワーク(GAN)を用いた超解像法 SRGAN に基づく手法について，新たに考案した2次元にスライスした画像に対する超解像を深層学習を用いて行うモデルについて論文発表を行っている[Sensors 2021]．3次元画像に対して2次元CNNを用いることができることから，一般的な2次元CNNを用いることによる，計算資源の節約効果，それに加えて3次元MRI画像モデルでは困難だった（2次元画像による）事前学習済みモデルの利用が可能になった．次に，機械学習によるMRI画像の解析について，3次元畳み込みニューラルネットワークによる個人の特性の結果を論文発表した[CAAI T. Intell. Tech. 2021]．この論文は国際共著論文として機械学習手法について連携機関との共同研究として発表した．Big Five による個人属性を3次元MRI構造画像を使って60%から70%で予測できることを示した．国際会議発表成果として，MRIなどの実験系データでのデータ数の問題に対し少データ・少ラベルによる機械学習法の開発について，パッチワーク法を新たに提案し一般の2次元画像を使った検証結果を発表している．また，深層学習によるデコーディング・超解像ともに，結果の説明性に欠けることが問題にされ始めており，説明性を求めるモデルの開発を行い，その検証結果を国際会議にて発表している．以上の成果より，本研究の超解像によるMRI脳情報デコーディングモデルについて，近年の深層学習モデルおよびGANを採り入れた手法が提案できたと考えている．特に，3次元MRI画像に対し，一般画像向けに広く用いられている2次元画像用CNNを用いた超解像手法については独自性の高いものと考えている．
|
