2018 Fiscal Year Research-status Report
Quantitative feature detection from PET/CT images for personalized medicine of cancer by using deep learning methods
| Project/Area Number |
18K12102
|
|---|
| Research Institution | Gifu University |
|---|
Principal Investigator |
原 武史 岐阜大学, 工学部, 准教授 (10283285)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
山田 哲 信州大学, 学術研究院医学系(医学部附属病院), 講師 (80419407)
片渕 哲朗 岐阜医療科学大学, 保健科学部, 教授 (00393231)
松迫 正樹 聖路加国際大学, 聖路加国際病院, 医長 (90209528)
|
|---|
| Project Period (FY) |
2018-04-01 – 2021-03-31
|
| Keywords | コンピュータ支援診断 / FDG-PET |
|---|
| Outline of Annual Research Achievements |
研究期間全体においては，体幹部FDG-PET画像における悪性腫瘍の自動検出手法の開発を目的とする．本年度は，異常症例より収集が容易な正常症例を利用して，異常検知の観点から検出を行った．
PET画像を12×12画素のパッチ画像へ分割したのち，正常症例のみで訓練したAutoEncoderモデルによるパッチ画像の特徴量抽出を行った．外れた傾向を持つパッチ画像を抽出した．
正常症例で訓練を行っAutoEncoderモデルでは，144次元の画像を6次元へと符号化する．また，AutoEncoderの入出力の差を一つの特徴量として加え，パッチ画像1枚から7次元の特徴量を算出する．画像から得られる7次元特徴量群から，腫瘍が映っていると思われるパッチ画像を抽出する．多変量データのロバストな外れ値検知手法であるMSD法により，外れた傾向の特徴量を持つパッチ画像を抽出する．そこで抽出されたパッチ画像群をk-means法により2クラスタへ分割し，さらに，主成分分析による第一，第二主成分をそれぞれ軸とする2次元空間上にプロットした．それらのクラスタ重心との距離を基にパッチ画像にスコア付けをし，スコアの集積する部位を特定した．
腫瘍を含む33症例を対象に検出精度を求めた結果，検出率95.1%，1症例あたりの偽陽性領域数は53領域となり，正常症例のみで訓練したAutoEncoderモデルは腫瘍検出に有用である可能性を示唆した．また，ここで抽出された特徴量は，異常部位を表現する画像特徴として利用できる可能性が示された．
さらに，FDG-PET画像以外にも，同種の試みを実施し，画像特徴や計測に関する研究を実施した．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
深層学習の環境構築は完了した．当初の計画である画像特徴の抽出および異常検知との連携について，評価まで実現できた．
|
| Strategy for Future Research Activity |
研究計画に変更はない．
計算環境を拡充し，同時に複数の実験が実現できるように工夫する．また，研究分担者との連携を深め，画像データのアノテーション作業や，臨床情報との連携を進める．そこでは，PET画像とCTやMR画像との特徴比較や手法の統合を議論する．
２０１９年度は，学会発表および論文執筆を開始する．
|
| Causes of Carryover |
正解作成に関しては，初年度は実験的に行ったため，無償で実施した．その謝金が不要となったため残金が発生した．これは次年度の実験における費用として利用する．
|
Research Products
(7 results)
