高精度なメラノーマ構造パターン抽出技術に基づく皮膚がん診断支援システムの開発

2020 Fiscal Year Research-status Report

• Project/Area Number: 19K12054
• Research Institution: Fukui University of Technology
• Principal Investigator: 木森 義隆 福井工業大学, 環境情報学部, 准教授 (10585277)
• Project Period (FY): 2019-04-01 – 2022-03-31
• Keywords: メラノーマ / ダーモスコピー画像 / mathematical morphology / 病変特徴の記述 / 構造パターン抽出

Outline of Annual Research Achievements

本研究は，皮膚がんの診断支援システムの構築をめざし，ダーモスコピー画像におけるメラノーマ構造パターンの自動抽出・可視化手法および病変特徴量の記述手法の開発を実施するものである．皮膚科医の診断においては広域的・局所的な複数の特徴を組み合わせて判断がなされている．このため，計算機によるメラノーマの特徴解析を実施する場合は，診断に用いられてきたの特徴を網羅的に抽出し，それらを統合して解析・可視化を実施する必要がある．
当該年度は，まず前年度から引き続きのテーマである，「構造パターン抽出手法の開発」を実施した．本研究項目では，抽出すべきメラノーマの構造パターンとして，メラノーマ領域および輪郭形状，色素ネットワーク，色素小球・小点，色素線条，領域内の色の分布等を想定していた．このうち，前年度は，メラノーマ領域とその輪郭形状等の構造パターンの抽出手法の開発を実施した．今年度は，メラノーマ領域内に存在する色素ネットワーク等の構造パターンの抽出手法を開発した．
次に，「構造パターンの統合的可視化手法の開発」の課題に着手した．これは，診断における視認性の向上を目的とし，目視による病変の把握を容易にする手法を開発するものである．研究項目「構造パターン抽出手法の開発」の成果と組み合わせて，病変特徴の把握に効果的な画像データ可視化をめざした．
また，前年度の研究内容の改良し，実用に耐えうる精度におけるセグメンテーションを実行するため，深層学習による領域セグメンテーション手法の開発に関する検討も開始した．これは，当初考えていた多段階の画像処理のみでは，高精度のセグメンテーションを実施するには困難であることが判明したからである．U-Net，SegNetなどのセグメンテーションに特化したニューラル・ネットワークを用いたセグメンテーション手法の拡張にとりかかった．

Current Status of Research Progress

2: Research has progressed on the whole more than it was originally planned.

Reason

研究項目「構造パターン抽出手法の開発」の実施．まず，より高精度なメラノーマ領域のセグメンテーションを実現するため，その領域に重畳する毛などのアーチファクトの除去手法を開発した．その後，メラノーマ構造パターンである，色素ネットワーク，色素小球・小点，色素線条の抽出手法を開発した．これらは，互いに形状が異なるが，画像処理フィルタとしては，RMPに基づくTop-hat変換のみを用いた．形状の違いは，処理に用いる構造要素の形状の種類を変化させることによって対応した．同じアルゴリズムであっても構造要素の形状やサイズを変えると抽出できる構造を変化させることができる．色素ネットワークおよび色素線条はそれぞれネットワーク状，フィラメント状の構造となるため，その幅に最適化した正方形の構造要素を用いた．他方，色素小球・小点はドット状の構造である．このため，線形構造要素を用いた．RMPに基づくTop-hat変換では，画像の回転操作により，線形構造要素のサイズよりも小さなドット状構造の抽出が可能になる．色素小球と小点ではサイズが異なるため，線形構造要素のサイズを変えることにより，両構造を抽出できるようにした．病変特徴の種類に最適化した構造パターンの抽出手法の開発は完了した．
研究項目「構造パターンの統合的可視化手法の開発」．本研究項目では，研究項目「構造パターン抽出手法の開発」で開発した構造パターン抽出手法に基づき，それぞれのパターンを強調し，領域内に複数のパターンを統合的に可視化表現することにより，一枚の画像で病変の特徴を把握できるような手法の開発を実施した．例えば，病変領域内に，色素ネットワークおよび色素小球・小点が存在する場合，それらの特徴抽出に合致した構造要素を用いたRMPに基づくTop-hat変換により抽出・強調し，原画像にマージした病変の診断用画像の表示手法の開発を行った．

Strategy for Future Research Activity

まず，これまでの研究項目である，「構造パターンの統合的可視化手法の開発」を継続し，完成させる．さらに，ニューラル・ネットワークを用いた病変領域のセグメンテーション手法の開発を実施する．
次に，以下の研究項目を実施する．
研究項目「病変特徴量の記述手法の開発」の実施．本研究項目では，項目「構造パターン抽出手法の開発」で抽出した構造パターンに基づき，それらの特徴の定量的記述方法の開発を実施する．構造パターンはネットワーク，フィラメント，ドット状の特徴をもっていた．これらの定義はこれまで提案されている方法を踏襲するが，必要に応じて新規のものも考案する．ネットワークの複雑さや方向性は，植物細胞の細胞骨格ネットワーク解析のために開発した手法(Kimori et al., J. Theor. Biol., 2016)を用いることを予定している．また，本研究においては，ダーモスコピー画像は，その輝度値を高さとした3Dデータと捉えて処理している．このため，メラノーマ領域内の色のパターンは3D構造の分布として定義できる．本手法ではこのカラー情報も定量的に記述する手法を開発する．
研究項目「機械学習による病変分類の実施」の実施．本研究項目では，「病変特徴量の記述手法の開発」でもとまった構造パターンの特徴に基づき，病変の種類の分類を実施する．研究計画時点では，機械学習の方法としてサポートベクターマシンや，ランダムフォレスト等を考えていた．しかし，画像分類に関する先行研究を調査すると，画像分類に特化したニューラル・ネットワークによる深層学習を用いた方が，分類精度等も高まることが予想された．そこで，当初の計画を変更し，LeNet，ResNetなどのニューラル・ネットワークアーキテクチャに基づく病変分類手法の開発を実施する．

Causes of Carryover

投稿中であった論文の論文掲載料は必要でなくなった．さらに，学会参加のための旅費が不要であったこともあり未使用額が生じた．
今後は，最終年度であるため，研究成果の公表を積極的に行っていく．次年度の使用計画としては，論文の掲載料と，本研究成果の発表のための学会参加に係る旅費等の支出を予定している．