2020 Fiscal Year Research-status Report
テクスチャー解析とディープ・ラーニングのPETへの応用を目指した基礎的研究
| Project/Area Number |
19K17127
|
|---|
| Research Institution | Hokkaido University |
|---|
Principal Investigator |
小林 健太郎 北海道大学, 医学研究院, 客員研究員 (70756311)
|
|---|
| Project Period (FY) |
2019-04-01 – 2022-03-31
|
| Keywords | 核医学 / ポジトロン断層法 / radiomics / テクスチャー解析 / deep learning |
|---|
| Outline of Annual Research Achievements |
悪性腫瘍の日常診療において、体内のブドウ糖代謝の分布を画像として表すFDG PET-CTが果たす役割は大きい。得られた画像は、熟練した診断医によって診断されているが、専門医のいない病院も多く、AI技術に対する期待は大きい。しかし、実臨床に応用するための基礎的データがまだ十分に得られていない。とくに、CTやMRIに比べて、PETを始めとする核医学検査においてはAI技術の導入が遅れている。
AI診断において注目されている手法が、radiomicsとdeep learningである。Radiomicsは、病変の形や内部不均一性などをピクセル値の計算式で数量化し、診断に役立てようという技術あるいは研究分野である。Deep learningは深層のneural networkを用いて特徴量の設計過程を機械学習に含めてしまう手法である。本研究課題では、radiomicsとdeep learningの技術をFDG PET-CTの自動診断に用いるための基礎的なデータを得るために、ファントム、動物、ヒトの3分野における研究に取り組んできた。
1)3Dプリンターを用いてファントム（生体や腫瘍を模した立体）を作成し、RIを充填してPET装置で撮影した画像を解析し、もとのファントムの形状と比較検討する。これまでに脳、乳房、腫瘍を模したファントムを作成し、PETで撮影した。
2)腫瘍モデル動物に対してRIを投与してから動物用PET装置で撮影し、得られた画像をテクスチャー解析によって処理する。画像解析によって病理組織を予測することができるかどうかを明らかにする。
3)日常診療で得られたヒトのPET画像を後ろ向きに解析し、deep learningによって悪性腫瘍の有無を判定できるかどうかを明らかにする。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
研究概要に記載したとおり、本研究課題では、1)ファントム実験、2)動物実験、3)臨床研究（後ろ向き解析）の3つの柱に沿って研究を進めている。
1)ファントム実験については、3Dプリンターで不均一ファントム3個、脳ファントム3個、乳房ファントム2個を作成した。ファントムの作成にあたっては気泡が入らないように形状を工夫した。F-18およびO-15を充填したうえで、高い空間分解能を持つ半導体PET-CT装置で撮影した。これを2020年6月に開催された米国核医学会で発表した。さらに、脳ファントム、乳房ファントムについては他施設に貸し出し共同研究を進めている。
2)動物実験については、2019年度までにPETによる撮影と病理組織の採取が一部完了していたが、2020年度内には解析を行うことができなかった。
3)臨床研究（後ろ向き解析）については、北海道大学病院で過去に撮影されたPET 3485例に対して、a)異常なし、b)悪性腫瘍あり、c)どちらともいえない、の3値分類するAIを完成させ論文として発表した（Kawauchi K, Kobayashi K, et al. BMC Cancer. 2020 Mar 17;20(1):227）が、続いてPETのMIP画像から生理的集積を区別して抽出するAIを完成させ論文として発表した(Kawakami M, Kobayashi K, et al. Front Med (Lausanne). 2020 Dec 23;7:616746)。また、脳腫瘍に対して北海道大学病院で過去に実施されたメチオニンPETの画像データを検討し、予後予測におけるテクスチャー解析の有用性を示した（Manabe O, Kobayashi H, et al. Diagnostics (Basel). 2021 Jan 28;11(2):189）。
|
| Strategy for Future Research Activity |
COVID-19の影響で研究を十分に遂行できなかったと考え、研究期間を1年間延長した。2021年度も前項と同様に3つの柱に沿って研究を行う。
a)ファントム実験においては、作成した腫瘍ファントム、脳ファントム、乳房ファントムを用いて北大を含む複数施設でPET撮影し、得られた画像データに対してテクスチャー解析等を用いた検討を行う。前年度に引き続き、解析には北海道大学で開発したMetavol (http://www.metavol.org)およびPTexture (https://github.com/metavol/ptexture)を使用する。
b)動物実験で得られた画像の解析を進める。解析手法はファントム実験に対する処理と概ね同じ手法を用いる。テクスチャー解析によって算出される特徴量を入力値とし、病理組織指標（免疫染色によって得られる指標を含む）を出力値とする機械学習モデルを構築し、モデルの予測能を検討し、種々の手法を比較する。
c)臨床研究においては、2020年度までにPET画像全体の1)異常のありなしを分類し、2)正常部分を自動的に検出して除去し、3)脳腫瘍の予後予測を行うモデルを開発できた。2021年度は脳腫瘍以外の腫瘍についても病変検出、質的診断、予後予測ができるモデルの開発を目指して基礎的検討を行う。検討においては画像だけでなく読影レポートの文字情報も利用する。
|
| Causes of Carryover |
研究立案時には、Deep learningを行うためのGPU搭載の高性能コンピューターを購入する予定であったが、共同研究者が応募していた他研究費が採択されたため、他研究費によって購入した高性能コンピューターを利用して本研究課題の計算処理を行った。このため、本研究費では高性能コンピューターを購入せず、当初に比べて予算使用額が減少した。またCOVID-19の流行により国内外の学会参加がほとんどweb形式となったため、旅費が大きく減少した。2021年度は、新たなファントムの作製（材料費、作製費）、論文投稿、英文校正等に支出予定である。
|
