2018 Fiscal Year Annual Research Report
Radiation dose reduction in medical imaging exams by means of deep-learning-based virtual imaging technology
| Project/Area Number |
18H02761
|
|---|
| Research Institution | Tokyo Institute of Technology |
|---|
Principal Investigator |
鈴木 賢治 東京工業大学, 科学技術創成研究院, 特任教授 (00295578)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
小尾 高史 東京工業大学, 科学技術創成研究院, 准教授 (40280995)
粟井 和夫 広島大学, 医歯薬保健学研究科(医), 教授 (30294573)
|
|---|
| Project Period (FY) |
2018-04-01 – 2022-03-31
|
| Keywords | 深層学習 / CT / 被曝低減 / 機械学習 / 雑音除去 |
|---|
| Outline of Annual Research Achievements |
１）３次元深層学習（ディープラーニング）をベースとするComputed Tomography（CT）の被曝低減技術の開発
本年度は、2次元の深層学習（ディープラーニング）モデルを3次元に拡張し、臨床Computed Tomography (CT)で得られる3次元データを扱えるモデルにした。本研究で開発したCTのための被曝低減技術は、学習と実行ステップから成る。学習ステップでは、超低線量CT（例えば0.1 mSv；シーベルト＝被曝による生物学的影響の大きさを表す単位）を入力画像 、高線量CT（例えば5.7 mSv）を教師画像に使い、ディープラーニングモデルを学習した。ディープラーニングモデルはニューラルネット回帰モデルで構成され、入力は超低線量CTの局所領域の画素値、出力はそれに対応する高線量CT中の１画素の推定値である。学習は、教師画素と出力画素の二乗誤差が小さくなるよう、ニューラルネットの層間の重み係数を調整することにより行われた。すなわち、出力画像が教師画像として使われた高線量CT画像に近くなるように、学習が進んだ。実行ステップで、学習後のモデルに未学習の超低線量CT画像を入力すれば、あたかも高線量で撮ったような「仮想高線量CT画像」に変換できた。２次元深層学習モデルの学習及び実行は、PCでそれぞれ72時間及び48秒を要した。以上のように、本年度は、３次元ディープラーニングモデルをベースとするCTの被曝低減技術を開発した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
研究計画にて、計画したように、2次元の深層学習モデルを3次元に拡張し，臨床CTで得られる3次元データを扱えるモデルにできた。3次元深層学習モデルを利用し、CTのための被曝低減技術の開発に成功した。以上のように、本研究は、おおむね計画通りに進捗している。
|
| Strategy for Future Research Activity |
当初の研究計画に沿って、精巧な３次元胸部ファントムによる被曝低減技術の性能検証を行う。精巧な胸部ファントムのCT像を、最低線量から最高線量まで変化させて撮像する。次に超低線量CT像を入力画像、それに対応する最高線量CT像を教師画像とし、3次元の深層学習モデルを学習する。学習後のモデルの出力画像（仮想高線量CT像）と本物の高線量CT像の画質を定量的に比較し、線量低減率を算出する。
|
Research Products
(27 results)
