2019 Fiscal Year Annual Research Report
An efficient deep learning method to detect lesions on 3D medical images via information of anatomical landmarks
Project/Area Number |
17K17680
|
Research Institution | Kindai University |
Principal Investigator |
根本 充貴 近畿大学, 生物理工学部, 講師 (10451808)
|
Project Period (FY) |
2017-04-01 – 2020-03-31
|
Keywords | コンピュータ検出支援 / 医用画像診断 / 深層学習 / 転移学習 / 解剖学的ランドマーク |
Outline of Annual Research Achievements |
本研究では,転移学習の枠組みを用いて効率的に医用画像上の局所病変パターンの自動認識処理を深層学習する手法に関する検討を行った。医用画像上の病変データを十分量収集するのは容易ではなく,直接的に深層学習を適用するのは難しい。よって,健常者の医用画像データからでも多様なパターンを収集可能な解剖学的ランドマークのデータを用いて,事前学習した深層学習モデルを用いた転移学習の可用性を試みた。 まず,解剖学的ランドマークのデータの事前学習に関する検討として,VGGネットワークを参考とした深層畳み込みニューラルネットワークの深層学習と学習モデルの性能評価を行った。任意のCT上に存在する20クラスのランドマーク分類問題から段階的に学習する範囲を拡大させていき,最大60クラスの解剖学的ランドマークおよびランドマーク以外の画像データのクラス分類を学習させることができ,その時の認識精度は94.4%となった。こちらの結果は,本深層畳み込みニューラルネットワークが,CT上の複数種の解剖学的ランドマークを同時自動検出するためのツールとしても可用性が高いことを示す。 ランドマークを事前学習した深層学習モデルの転移学習に関する検討としては,頭部MRA画像上の脳動脈瘤パターンの認識処理への適用を行った。過去に提案済みの脳動脈領域の自動抽出法を用いて抽出した血管領域から得た画像パッチデータから,脳動脈瘤パッチのみを認識する処理を,ランドマーク事前学習モデルから転移学習した。その初期検討として.ランドマーク事前学習モデルが抽出する画像特徴量で脳動脈瘤画像パッチを認識をしたところ,自然画像のCIFERデータで学習した深層学習モデルの特徴量と比べて識別性能の高い特徴量が複数得られており,最大94%の認識精度を実現できた。
|