2022 Fiscal Year Annual Research Report
Development of Deep Convolutional Neural Network for Computer-Aided Diagnosis of Ischemic Heart Disease
| Project/Area Number |
20K20233
|
|---|
| Research Institution | Niigata University of Health and Welfare |
|---|
Principal Investigator |
長谷川 晃 新潟医療福祉大学, 医療技術学部, 講師 (20749999)
|
|---|
| Project Period (FY) |
2020-04-01 – 2023-03-31
|
| Keywords | 人工知能 / ディープラーニング / 虚血性心疾患 / 冠動脈CT / プラーク性状分類 / Wide ResNet / パラメータチューニング |
|---|
| Outline of Annual Research Achievements |
本研究の目的は、coronary computed tomography angiography（CCTA）画像から冠動脈の異常部を自動で認識するCCTA用コンピュータ支援診断（computer-aided diagnosis：CAD）システムの要素技術を確立することである。要素技術として深層畳み込みニューラルネットワーク（deep convolutional neural network：DCNN）を用いて、CCTAの冠動脈直行断面像から冠動脈狭窄の有無、および狭窄部におけるプラークの性状を自動分類する。本研究により、虚血性心疾患の陽性的中率の向上、医師による読影負担の軽減、および診断効率の向上が期待できる。
令和4年度は令和3年度に引き続き、CCTA画像を用いた冠動脈狭窄パターンの自動分類に最適なDCNNモデルの検討を行った。DCNNの構造やパラメータのチューニングによって分類精度が向上することが知られているため、50層のResNetのフィルタ数を増やしたWide ResNet50（WRN50）を構築し、Dropoutを追加、出力層の活性化関数をReLUに変更し、石灰化、ステント、正常のCCTA画像に加えて低吸収プラークを含めた4分類を実施した。この結果、WRN50-8での分類の正診率は0.5に届かなかった。特に低吸収プラークと正常の分類の精度が低かった。また、元の画像の情報量に限界があるため、フィルタ数を増やしても正診率が向上しないことが示唆されたことから、CCTA画像の冠動脈部分だけ抽出した画像と、冠動脈の周辺情報も含んだ画像で分類精度を比較した。初期検討としてInceptionモジュールで分類した結果、周辺情報を含んだ画像の方が分類精度が10％程度向上した。
現在、周辺情報を含んだ画像に変更してWRNでの学習を進めており、結果が出次第、論文として報告する予定である。
|
