2019 Fiscal Year Research-status Report
人工知能を用いたレディオミクス特徴に基づいた乳がん患者の予後予測
| Project/Area Number |
19K20719
|
|---|
| Research Institution | Ritsumeikan University |
|---|
Principal Investigator |
檜作 彰良 立命館大学, 理工学部, 助教 (20822844)
|
|---|
| Project Period (FY) |
2019-04-01 – 2022-03-31
|
| Keywords | Radiomics / 乳房MRI画像 / ディープラーニング / テクスチャ解析 |
|---|
| Outline of Annual Research Achievements |
本研究の目的は，Radiomics特徴量を用いた線形判別分析により，乳房MRI画像における腫瘤病変のサブタイプ分類法を提案することである．実験試料は，公開データベースより得られた，71症例の乳房MRI画像を用いた．本研究で使用した画像のサイズは256×256画素，ピクセルサイズは0.32×0.32mm2，また濃度分解能は16ビット（65536階調）である．提案手法ではまず，腫瘤病変の面積が最大となるスライスを一枚選択し，それに対して腫瘤病変の位置と形状を手動でマーキングした．次に，マーキングした腫瘤病変より，20個のRadiomics特徴量（濃度ヒストグラム，同時生起行列，ランレングス行列に基づく特徴量）を抽出した．濃度ヒストグラムの特徴量としては，平均，分散，歪度，尖度を求める．次の同時生起行列に基づく特徴量としては，contrast, correlation, variance, sum average, entropy, energy, homogeneity, dissimilarity, auto correlationを抽出した．最後のランレングス行列に関する特徴量では，short run emphasis，long run emphasis，gray level nonuniformity, run length nonuniformity, run percentage, low gray level run emphasis, high gray-level run emphasisを抽出した．ここで，特徴量ごとに正規化を行っている．そして，抽出したRadiomics特徴量に対してStep Backward法を適用し，分類に有用な特徴量を決定した．最後に，Step Backward法により決定されたRadiomics特徴量を用いた線形判別分析により，腫瘤病変のサブタイプ分類を行った．提案手法を71症例の乳房MRI画像に適用した結果，AUCの値が0.73であった．今後，Radiomics特徴量に加えてCNN（Convolutional Neural Network）特徴量も追加することにより，更なる分類精度の向上が期待できる．また，本研究では分類器として線形判別分析を使用したが，その他の分類器，サポートベクターマシン，Random Forest，などに関しても，今後検討する．
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
我々が準備した実験データ数が少なく，深層学習に関する手法の研究に着手できていない．現在，実験データ数を増やすために，データを取得している最中である．新たな実験データを取得次第，深層学習を用いた病変の自動抽出法，CNN特徴量などの検討を順次実施したいと考えている．
|
| Strategy for Future Research Activity |
今後の研究予定としては，まず，乳房MRI画像より腫瘤病変の自動抽出法を開発する．ここでは，畳み込みニューラルネットワーク（CNN: Convolutional Neural Network）の一つであるU-Netを用いて，病変領域の自動抽出を試みる．このモデルは，画像を復元する際に位置情報も含めることができることから，従来のCNNモデルよりも高精度に領域抽出できることが報告されている．本研究では，腫瘤病変を抽出する最適なネットワーク構造を明らかにする．もし期待した結果が得られない場合は，事前にMRI画像に対して，モルフォロジカルフィルタなどを適用し，病変候補の強調を行い対応する．また従来のRadiomics特徴量に加えて，CNN特徴量も追加し，更なる分類精度の向上を目指す．CNNによる画像特徴では，”ImageNet”と呼ばれる大規模な自然画像で事前学習したCNN のネットワークモデルである，”AlexNet”，”VGG19”，”GoogleNet”などを特徴量抽出器として使用し，MRI画像より画像特徴を抽出する.これらの事前に学習したネットワークより抽出した特徴量は，画像の分類に有用であることが報告されている．
|
| Causes of Carryover |
次年度使用が生じた理由：２月に参加した国際会議の旅費が，想定より安かったため．
使用計画：今年度の助成金は，アルゴリズム評価用のコンピュータの購入と，研究成果発表のための旅費に使用する予定である．
|
