2021 Fiscal Year Annual Research Report
ベイズ深層学習による機能画像・形態画像ペアにおける教師なし病変検出
| Project/Area Number |
20K22492
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
中尾 貴祐 東京大学, 医学部附属病院, 特任助教 (00876089)
|
|---|
| Project Period (FY) |
2020-09-11 – 2022-03-31
|
| Keywords | 深層学習 / ベイズ深層学習 / コンピュータ支援診断 / 異常検知 / PET / PET-CT |
|---|
| Outline of Annual Research Achievements |
[F-18]FDG-PET/CTの胸部領域における異常集積に対して、ベイズ深層学習に基づく異常検知モデルを開発した。研究成果は査読付き英語論文誌 Japanese Journal of Radiology に掲載された。
提案手法は、ベイズ深層学習、特に Kendall A and Gal Y (arXiv:1703.04977 [cs.CV]) らの提案手法を元にして、「CT画像から得られる解剖学的情報」と「PET画像における、各部位でのFDGの正常な集積の程度およびそのばらつき」との対応を正常症例のみから学習し、それに基づいて、正常の集積の程度から外れた集積増加部位を異常として検出するものである。モデルの学習および評価には、研究代表者の所属する検診施設が有する症例を使用した。学習には、検診で正常、すなわち異常集積を有さないと診断された症例のみを1,878例用いた。評価には、胸部に異常集積を有すると診断された症例37例を使用した。これには28の肺病変と、17の肺外病変 (縦隔病変など) が含まれていた。
開発したモデルを評価し、異常ボクセルの検出について0.992、異常スライスの検出について0.852 のArea Under the Receiver Operating Characteristic Curve (AUROC) を得た。また、Free-response Receiver Operating Characteristic (FROC) 解析において、病変の91.1% (全病変の41/45、肺病変26/28および肺外病変15/17) を1症例あたり12.8個の偽陽性数で検出した。1症例あたりの偽陽性数が平均3個のときの感度は82.2% (37/45) であった。
|
