人工知能(AI)を利用した顎顔面の成長予測技術の開発

2019 Fiscal Year Research-status Report

• Project/Area Number: 18K09856
• Research Institution: Nagasaki University
• Principal Investigator: 古賀 義之 長崎大学, 病院(歯学系), 講師 (50175329)
• Co-Investigator(Kenkyū-buntansha): 吉田 教明 長崎大学, 医歯薬学総合研究科(歯学系), 教授 (40230750) ; 濱中 僚 長崎大学, 医歯薬学総合研究科(歯学系), 助教 (70805986)
• Project Period (FY): 2018-04-01 – 2021-03-31
• Keywords: 成長予測 / ディープラーニング / 人工知能 / 畳み込みニューラルネット / Spatial transformer / 生成モデル

Outline of Annual Research Achievements

本研究の目的は近年急速に発達している人工知能技術の一つであるディープラーニング（多層畳み込みニューラルネットを用いた機械学習）を用いる事で、従来の方法より高い精度で顎顔面の成長量と成長方向を予測する事である。従来の方法ではX線画像上にランドマークとなる点を人力でプロットしてから解析を行っていたのに対して、画像を直接学習データとして使用することで、今まで切り捨てられていたX線画像の微妙な濃淡などの細かな情報を全て利用することが可能となり、予測精度の向上が期待できる。
これまでの成果として、人工的に成長前の画像を参考に成長後のX線画像が生成できることを確認済みである。学習後のネットワークにテストとして成長期の患者のX線画像を入力すると、下顔面が前下方に成長したX線画像が出力された。一方で成人の患者のX線画像を入力すると、入力画像から殆ど変化が無い画像が成長後の画像として出力された。このことから学習済みの人工知能がX線画像から自動的に顎顔面の成長に関わる情報を抽出し、将来の成長量や方向を予測することが可能であることが示唆された。
当該年度はボトルネックとなっていた電子カルテシステムからの学習用データの出力がすべて完了し、利用可能な全てのデータを使用して学習を行うことが出来た。また、画像が不鮮明でそのままでは定量化が困難であったため、当該年度はGenerative adversarial networkといった生成モデルを利用して、より写実的な画像を生成可能なネットワーク構造について検討を行った。

Current Status of Research Progress

3: Progress in research has been slightly delayed.

Reason

生成モデルを利用することで昨年度よりも鮮明な予測画像を得ることは出来たが、上手く鮮明な画像が生成出来るケースと出来ないケースの差があり、予測画像上で術者がX線写真のトレーシングを行い一貫性のある定量化を行うのは依然として難しい状態である。また、ネットワークの学習用の画像は増加したものの劇的な予測精度の改善には至っていない。

Strategy for Future Research Activity

現状では人工知能により生成される画像はやや不鮮明で、そのままでは画像のトレースやランドマークのプロットなどの定量化が難しい状態である。Generative adversarial networksなどの生成モデルを利用することで、従来よりは鮮明な画像が得られたものの、依然として直接トレースを行える水準には達していない。定量化に関しては、人力のトレースに執着せず、従来からコンピュータービジョンの分野で用いられているオプティカルフロー解析や、画像間の相互情報量などを利用して定量化を行う事も検討していく必要があると考えている。

Causes of Carryover

物品の購入過程等で，安価に取得できたものがあり，繰り越す額は，次年度に成果発表の経費として使用予定である．