2022 Fiscal Year Research-status Report
| Project/Area Number |
19K08101
|
|---|
| Research Institution | Aichi Prefectural University |
|---|
Principal Investigator |
戸田 尚宏 愛知県立大学, 情報科学部, 教授 (00227597)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
小山 修司 名古屋大学, 脳とこころの研究センター(医), 准教授 (20242878)
|
|---|
| Project Period (FY) |
2019-04-01 – 2024-03-31
|
| Keywords | X線CT / 散乱線 / 機械学習 / モンテカルロシミュレーション |
|---|
| Outline of Annual Research Achievements |
医療診断において不可欠なものとなっているX線CT装置においては，断層像再構成処理において，撮影時に必ず発生する散乱線を障害の原因となるものとして除去する努力がなされてきた．これに対し，本研究は，その散乱線に有益な情報がある事を指摘しこれを用いる事でX 線CTの再構成精度が向上し，この事により現行のX 線CTの被曝削減の可能性を示す事を目的としている．具体的なアプローチとして，機械学習的写像近似法及びシミュレーション投影近似法と銘打った方法の実装及び比較検討を計画している．
機械学習的写像近似法に関しては昨年度128×128×128のボクセルを持つ対象物においても散乱線の効果がある事を数値実験により確認しているが，検証用データに対する誤差と，学習データに対する誤差に大きな開きがあった．これはネットワークのサイズに比べてデータが少ない場合に起こるものであり，できる限り両誤差が近い事が望ましい．そこで本年度は本学で共同利用している大型計算機を用いて２倍のデータ量による学習を試みており，その成果は23年度（次年度）に行われる生体医工学会全国大会で発表予定である．また，散乱線を用いる事で対象物体内でのエネルギー変化が誤差に反映されることが利用できる可能性が考えられ，これが有効であるならば，エネルギー情報を利用するためには従来異なるエネルギーによる複数回の照射が必要であった所を１回の照射でエネルギー情報を利用できる事になる．この点を検証するためシミュレーション投影近似法を用いて単純なモデル上で数値実験を行った所その可能性が明らかとなったため，これも2023年3月に開催された電子情報通信学会MBE研究会で報告している．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
2019年度（初年度）にはそれまで対象物のサイズが2×2×2の再構成に留まっていた所，６×6×6のサイズの対象物に対し，機械学習的再構成法によって散乱線を用いる事による有効性を示す事ができた．2020年度には，シミュレーション投影近似法によって単純な対象物においてはエネルギー情報を得るために散乱線が有効である事を示す事ができた．さらに2021年度には機械学習的写像近似法によってピクセルサイズ128×128の断層像の再構成にまで漕ぎつけた事は想定を上回る成果であった．しかしながら概要欄に記したように，学習データと評価データでの誤差に開きがあり，ネットワークのサイズに比較してデータ量が少ない．昨年まではPCに搭載したGPU上での実施であった所，本年からは大型計算機も用いた環境においてデータ数を増加させ，その効果を検証してきた．現時点では２倍程度のデータ量での再構成を実現しており，散乱線利用の有効性を示せているが，未だ十分とは言えない．次年度においてさらに追及する必要がある．
また画像サイズの拡大の方向性とは別に散乱線利用によるエネルギー情報の取得という観点が本年度明確化された．すなわちDual Energy再構成における基底要素として，コンプトン散乱と光電効果を用いる従来の枠組みから，骨とヨードなどの二つの基底物資を使う近年の主流の方法に関しても散乱線の有効性を示す事が出来た．
|
| Strategy for Future Research Activity |
散乱線利用の有効性を検証するためには，より現実に近いサイズでのシミュレーションを行う必要があり，上述の限界を超える可能性がある．機械学習的写像近似に関しては，左右と上下の散乱線検出器に接続されるネットワーク枝荷重が対称性を利用するメモリ削減法に加えて，本年度，各ピクセルの独立性を利用する以下の方法の発案を得ている．
本年度まではN×N×N個の立体モデルでモンテカルロシミュレーションによって投影データを得ており，再構成においては，ある１つのN×Nの断面を出力するネットワークにする事でネットワーク規模を削減している．この考え方はさらに推し進める事ができ，再構成するピクセル数をN個に，さらには１個にする事で一度に学習するネットワークを小さくし，これを断層面を構成するピクセルに対して分けで学習する事で，「問題をメモリ方向ではなく時間軸へ展開」していく．これらの方法により今後Nを200程度にまで拡大していく．
また，エネルギー情報の検討に関しても，本年度得た２つの物質を基底要素とする方式を機械学習に置き換える事の可能性について検討を行う．
また最終年度にあたり，128×128ピクセルの再構成に関する論文及び光電吸収のある場合の理論的成果に関する論文を投稿する．
|
| Causes of Carryover |
本年度も研究打ち合わせ，及び学会がリモート開催であったため，その分余剰が生じた．次年度においは，学会や打ち合わせが対面で開催される可能性が高まると考えられるため，その旅費に用いる予定である．
|
