人工知能による伴侶動物のX線像におけるBone Suppression処理の開発

2021 Fiscal Year Research-status Report

• Project/Area Number: 20K15673
• Research Institution: Hokkaido University
• Principal Investigator: 新坊 弦也 北海道大学, 獣医学研究院, 特任助教 (10839252)
• Project Period (FY): 2020-04-01 – 2023-03-31
• Keywords: 深層学習 / U-Net / 猫

Outline of Annual Research Achievements

昨年度に引き続き、骨成分抽出モデルの精度向上に取り組んだ。昨年度は擬似X線画像を実際のX線画像に近似させる方策をとったものの、臨床応用に耐えうるレベルの精度が得られなかった。そこで、今年度は実際のX線画像の画像処理を解除することにより、X線画像を擬似X線画像側に近似させることにより精度の向上を図った。しかし、得られた骨成分抽出モデルの精度は昨年度のものと比較して向上しなかった。マシンパワーの制約により、骨成分抽出モデルは擬似X線画像を複数のパッチワーク状に分割して学習させていたが、分割された画像は領域によって大きく外観が異なることから、単一の学習モデルを複数の領域に適用させたことが精度向上の足枷になっているのではないかと考えた。そこで、分割した画像を脊椎領域、肺野、腹部、その他の領域にラベル付けし、それぞれ異なる学習モデルを適用することにより精度の向上を図った。これにより、骨成分抽出モデルは「脊椎抽出モデル」、「肋骨抽出モデル」、「腹部における脊椎抽出モデル」、「その他の骨成分抽出モデル」と役割を細分化することとなり、より学習データの汎化性の低い学習となる。この手法ではまず分割した画像のラベル付け作業が膨大となるため、ラベル付け自体をResNetを用いた学習モデルを作成することにより自動化することを図った。一方で、CT画像の収集は継続しており、ネコにおいては現時点で270例のCT画像を収集している。今年度収集したCT画像は学習データセットに組み込むには至っていない。

Current Status of Research Progress

4: Progress in research has been delayed.

Reason

分割した擬似X線に対し、領域ごとにラベル付けして各々の領域に対する骨成分抽出モデルを作成する、という手法をとったことで、膨大なデータを効率的に取り扱う手法に苦心している。新型コロナウイルス対策による患者数制限により遅れていたCT画像の収集は、今年度をもってようやく当初想定していたデータ数に達した。

Strategy for Future Research Activity

今年度まで収集してきたデータを全て学習データセットとして利用する。また、擬似X線と実際のX線のギャップを埋める方策として、転移学習の手法の1つであるドメイン適応を利用し、精度の向上を図る。

Causes of Carryover

今年度も新型コロナウイルス感染症の流行により旅費が発生しなかった。CT画像のデータ数が膨大となっており、相応の保存媒体の購入費およびマシンパワー向上のための物品費、論文投稿費として使用する予定である。