2020 Fiscal Year Annual Research Report
Study for performance improvement of automated lesion detection system in medical images using weakly-labeled data
| Project/Area Number |
18K12096
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
野村 行弘 東京大学, 医学部附属病院, 特任講師 (60436491)
|
|---|
| Project Period (FY) |
2018-04-01 – 2021-03-31
|
| Keywords | 医用画像 / 診断支援システム / ディープラーニング / セグメンテーション / 異常検知 |
|---|
| Outline of Annual Research Achievements |
今年度は以下の2項目について実施した。
(1) ディープラーニングを用いた半自動セグメンテーションによる汎用的な病変形状ラベル推定手法のさらなる検討を行った。形状や周囲とのコントラストが異なる3種類の病変（胸部CT画像の肺結節、EOB-DTPA造影肝臓MR画像の肝結節性病変、造影MR画像の転移性脳腫瘍）を対象に最大2種類の病変で学習したモデルで領域の抽出を試みた。モデルには3D U-Netを使用し、入力画像に対しては画素値の正規化および病変サイズに応じたリサイジングによる前処理を行った。モデルの学習では病変と周囲との多様なコントラストに対応させるために、白黒反転およびガンマ変換によるdata augmentationを併用した。造影MR画像の転移性脳腫瘍について、他の2種類の病変で学習したモデルを適用した結果、Dice係数が0.682±0.122となり、対象病変のデータを用いて学習した先行研究の半自動セグメンテーション手法と同等の性能であった。この成果は論文誌に投稿中である。
(2) 病変の存在のみが既知な症例を用いた病変検出について、頭部救急CT画像を対象としたディープラーニングによる異常検知手法について検討した。モデルはフローベースの生成モデルであるGlowを3次元に拡張したものを適用した。正常症例および異常症例（脳出血もしくは急性期脳梗塞を含む）で評価した結果、ROC曲線の下面積は0.866であった。この成果についてはarXivに先行公開した上で論文誌に投稿中である。
|
