2022 Fiscal Year Research-status Report
敵対的生成ネットワークを用いた新しい原理にもとづくDSAの開発
| Project/Area Number |
20K08063
|
|---|
| Research Institution | Hiroshima International University |
|---|
Principal Investigator |
山本 めぐみ 広島国際大学, 保健医療学部, 講師 (50412333)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
大倉 保彦 広島国際大学, 保健医療学部, 教授 (80369769)
|
|---|
| Project Period (FY) |
2020-04-01 – 2024-03-31
|
| Keywords | DSA / 画像生成 / アーチファクト / 深層学習 / 敵対的生成モデル |
|---|
| Outline of Annual Research Achievements |
本研究の目的は深層学習を用いて,被験者の自由呼吸下で撮影が可能で,かつ被曝線量を大幅に低減できるDSA法の開発を行う.
本研究によって,造影後画像であるライブ画像撮影時の呼吸停止は必要なくなる.また,これまで臓器の動きがあるため適用できなかった心臓領域および撮影系が移動する下肢領域などにもDSAが適用できるようになる.さらに,微小な動きによるアーチファクトも低減されるため,通常のDSA画像では観察困難な微小血管や血管の形態なども観察可能となり,診断等で有用となる.
これにより任意の部位でのDSAが可能となり,結果として血管造影に比べて造影剤の使用量を減らすことができるDSAの適用範囲が広がり,造影剤による副作用低減が期待できる. 本研究では,これまでのDSAのようにライブ像からマスク像を減算すると動きによるアーチファクトが生じるため,ライブ像から直接DSA像を得ようとする手法を考案している．
今年度は，血管造影像の画像データベースを構築と深層学習学習モデルの比較・検討を行った．具体的には，造影後画像および病院で作成されたDSA画像のそれぞれについて,ニューラルネットワークの効率的な学習を行うため画像パッチを作成した．ここで造影後の画像パッチは「入力データ」に,病院で作成されたDSAの画像パッチは「教師データ」に対応する.そして，敵対的生成モデルであるpix2pix，CycleGANと, FCNのU-netの3つのタイプのモデルを作成し,画像データベースのデータを用いて学習を行い,結果として出力される画像の画質を元にモデルの層数やハイパーパラメータを変更し,モデルの最適化を行った.この時，学習や最適化には計算に時間がかかっている．また，この3つの種類についての出力像の特徴を調べた．
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
新型コロナによる
|
| Strategy for Future Research Activity |
COVID19による世界的な半導体不足によるGPU供給の遅延など．
|
| Causes of Carryover |
Covid19による半導体不足による物品購入の遅延と国内外の旅費が使用できなかったため．
|
