2018 Fiscal Year Annual Research Report
Children psychological disorder onset prediction using spatio-temporal statistical model
| Project/Area Number |
18F18119
|
|---|
| Research Institution | University of Hyogo |
|---|
Principal Investigator |
小橋 昌司 兵庫県立大学, 工学研究科, 教授 (00332966)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
ALAM SAADIA 兵庫県立大学, 工学(系)研究科(研究院), 外国人特別研究員
|
|---|
| Project Period (FY) |
2018-04-25 – 2020-03-31
|
| Keywords | 発達障害発症予測 / 新生児 / 脳MRI / 時空間統計形状モデル / 機械学習 |
|---|
| Outline of Annual Research Achievements |
学習障害（LD; learning disabilities）や発達障害などの子どもの精神疾患は，より早期に療育（治療を伴う教育）を行うことで，症状の抑制，また生活の質(QoL; quality of life)向上に有効であることが知られている．しかし，現在の診断方法は，口頭による問診が主で，言葉の理解が可能になる小児期からしか行えず，療育の早期化の障害になっている．そこで本研究では，口頭問診ではなく，観察による診断が可能な，MRI装置を用いた精神疾患の早期検出，さらに発症予測に関する研究を行った．
本研究では，新生児期においてMRI装置で撮影された頭部MRI画像を用い，３次元脳形状および成長に伴う脳形状変化に着目した疾患検出・予測法を提案する．３次元形状およびその時間変化をパラメータとして特徴抽出するため，時空間統計形状モデル（stSSM; spatiotemporal statistical shape model）を提案した．stSSMは臓器形状の個人間変動を統計的にモデル化する統計形状モデル(SSM; statistical shape model)を時間軸上に拡張したモデルである．特に本年度は，経時的な変形を時間連続性を有することに着目してカルマンフィルタに基づく緩和項を導入することでそのモデル表現性能を向上させた．さらに，特徴抽出したパラメータを用いて，機械学習のクラス識別法により，新生児期における発達障害発症予測の可能性について調査した．実験結果は，モデルの時間連続性を正準角を用いて評価し，緩和項の有無により連続性が向上することを確認した．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
研究計画通りに形状の特徴抽出，またその経時的変化についてパラメータ抽出が可能となった．また，同パラメータを用い機械学習による予測に取り組んでいる．
|
| Strategy for Future Research Activity |
まず，モデル精度および学習性能は，被験者数に大きく依存するため，被験者数の追加を準備している．またモデル構築においては，各頭部MRI画像から全脳領域抽出が前処理となり，データ数を増やすためにはその自動化が必要であるため，新生児脳MR画像からの全脳領域抽出法を確立する．
つぎに，機械学習による識別結果を基に，（１）最適な機械学習法の選択，学習パラメータの最適化，（２）特徴抽出および特徴選択について，今後研究を推進する．
|
