2018 Fiscal Year Research-status Report
Computer-aided Diagnosis of B-mode and Contrast Breast Ultrasonography using Deep Learning
| Project/Area Number |
17K10374
|
|---|
| Research Institution | Jikei University School of Medicine |
|---|
Principal Investigator |
中田 典生 東京慈恵会医科大学, 医学部, 准教授 (80237297)
|
|---|
| Project Period (FY) |
2017-04-01 – 2020-03-31
|
| Keywords | 画像診断 / 超音波診断 / 乳腺 / コンピュータ支援診断 / 人工知能 / 深層学習 / 機械学習 |
|---|
| Outline of Annual Research Achievements |
）本研究ではコンピュータ支援診断システム開発に深層学習の手法を用いる。深層学習には、画像と答え（この場合、病理の結果）が一緒になった乳腺超音波画像のデータセットが必要であり、まずこれを集める必要がある。平成29年度には、乳腺腫瘤を有する超音波画像をDICOM形式の画像として約2000例（2012年～2016年分の画像）の収集を完了した。これらの画像はいずれも病理診断結果があり、良性ないし悪性の腫瘤のいずれかが予め解っている画像である。乳腺造影超音波検査はすでに乳腺腫瘤の造影超音波の動画および静止画像が約100 例保存されている。
次に、実際にはすでに収集したDICOM画像をJPEG画像に変換して、画像に描出されている乳腺腫瘤を正方形のボックス型の線で囲い込み保存する。これらの画像を病理診断名別に良悪性に分類した状態で保存する。平成30年現在、2016年、2015、2014年の画像データについてほぼ教師学習用データ作成が完了している。
２）学習用データを用いた機械学習として今回、深層学習のうち畳み込みニューラルネット（以下CNN）という手法を用いる。すでに研究施設にある機械学習専用に作成された専用タワーデスクトップ型コンピュータのマザーボードやCPUなどを科研費により購入した新たな部品に交換してハードウェアの性能向上を達成した。ハードウェアのアップグレードに伴いCNN を実行できるソフトウェア環境を再構築した。
３）画像診断における深層学習の活用は、放射線医学関連の学会で注目されているトピックであるため、本研究を含む深層学習の原理や画像診断のコンピュータ
支援診断への応用について解説や講演を北米放射線学会（RSNA）2018、第54回日本医学放射線学会秋季臨床大会、第78回日本医学放射線学会総会などで行った。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
理由
１）画像データセットの準備: コンピュータ支援診断システムを開発する際には、深層学習の手法を用いる。深層学習には、画像と答え（この場合、病理の結果）が一緒になった乳腺超音波画像のデータセットが必要であり、まずこれを集める必要がある。平成29年度には、乳腺腫瘤を有する超音波画像をDICOM形式の画像として約2000例（2012年～2016年分の画像）の収集を完了した。これらの画像はいずれも病理診断結果があり、良性ないし悪性の腫瘤のいずれかが予め解っている画像である。乳腺造影超音波検査はすでに乳腺腫瘤の造影超音波の動画および静止画像が約100 例保存されている。また、深層学習には画像に答え（正解）がある教師学習用データが必要である。この教師学習用データの作成をしている。実際にはすでに収集したDICOM画像をJPEG画像に変換して、画像に描出されている乳腺腫瘤を正方形のボックス型の線で囲い込み保存する。これらの画像を病理診断名別に良悪性に分類した状態で保存する。平成30年現在、2016から2014年までの画像データについてほぼ教師学習用データ作成が完了している。
２）学習用データを用いた機械学習: 今回、深層学習のうち畳み込みニューラルネット（以下CNN）という手法を用いる。すでに研究施設にある機械学習専用に
作成された専用タワーデスクトップ型コンピュータのマザーボードやCPUなどを科研費により購入した新たな部品に交換してハードウェアの性能向上を達成し
た。ハードウェアのアップグレードに伴いCNN を実行できるソフトウェア環境を再構築した。
３）将来展望についての研究広報活動:画像診断における深層学習の活用は、放射線医学関連の学会で注目されているトピックであるため、本研究を含む深層学習の原理や画像診断のコンピュータ支援診断への応用について解説や講演を国内外の各種学会、研究会で行った。
|
| Strategy for Future Research Activity |
１）良悪性アルゴリズムの作成およびテスト: 収集した学習用画像データセット（非造影B モード2000 例）を用いて機械学習を実行して、乳腺腫瘤の良悪性識別のアルゴリズムを作成する。次にテスト相にて非造影B モード1000 例を用いて良悪性識別アルゴリズムのテスト行う。
２）機械学習の最適化: 完成した乳腺腫瘤の良悪性判定アルゴリズムについては、テスト相の結果を従来の研究と比較検討し、アルゴリズムのチューニングを行う。
３）専門医と本研究で開発されたコンピュータシステムとの比較読影実験。最適化された機械学習の実験結果をテストするため、読影実験用画像データセットを
用意して、3 人の乳腺超音波診断の専門医と読影実験を行い、その結果を比較する。乳腺腫瘤の良悪性判定について行う。
５）研究成果のまとめと研究発表の準備: 読影実験後、その結果をまとめ、研究発表の準備を行う。研究発表は国内外のコンピュータ支援診断に関する学会、例
えば日本医用画像工学会、日本医学放射線学会、RSNA(北米放射線学会)などの学会・研究会へ発表する
|
| Causes of Carryover |
画像診断における人工知能特に深層学習についての世界的な最新研究の状況を調査するため、米国シカゴで開催される北米放射線学会（RSNA）に出席するための渡航滞在費が必要になったため。
|
