2022 Fiscal Year Research-status Report
Automatic optimization of deep learning models and reconstruction of training data for microscopic image processing
| Project/Area Number |
22K12270
|
|---|
| Research Institution | Institute of Physical and Chemical Research |
|---|
Principal Investigator |
東 裕介 国立研究開発法人理化学研究所, 生命機能科学研究センター, 研究員 (80585034)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Keywords | 顕微鏡画像処理 / 深層学習 / バイオイメージ・インフォマティクス |
|---|
| Outline of Annual Research Achievements |
本研究では、生物学研究における深層学習の利用促進のため、顕微鏡画像処理の自動化を目指す。そのため、深層学習モデルを自動最適化する方法と学習データ自動構築方法を開発する。開発目標として挙げていた３種類の深層学習モデル（セグメンテーション、機能拡張、分類）のうち２種類について、自動最適化方法を構築した。具体的には、機能拡張モデルの一つであるCAREと、セグメンテーションモデルであるCellpose、StarDistについて、ハイパーパラメータを最適化し、適用画像に最適なモデルを自動的に構築する方法を開発した。線虫C. elegans胚の顕微鏡画像を用いてCAREによる画像修復を評価したところ、本手法を用いない場合多くのアーティファクトが生じたのに対し、本手法を適用した場合はそれらが生じないことがわかった。また、Cellpose、StarDistにおいても、目視による画像解析と同様の結果を得られることが分かった。本手法が、生物学研究に有用であることを示すため、開発手法を用いて画像処理パイプラインを構築し、線虫C. elegans胚52個体の発生における細胞形態変化を定量解析した。個体間で比較することにより、細胞の形態変化には高い再現性と固有性があることを発見した。また、個体差の細胞間の違いについて評価したところ、系統、世代、細胞間コンタクトなどの複数の要因によって決定されていることが明らかとなった（Azuma et al., 2023）。以上の研究により、深層学習モデルを自動最適化する方法が生物学的な知見を得るのに有用であることが実証された。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
研究目標達成のために必要な開発２項目のうち、１項目について、既に開発に成功し成果を誌上発表している。従って、残りの２年間で目標を達成できる公算は十分に大きいと考えられるため。
|
| Strategy for Future Research Activity |
これまでの研究により、深層学習モデルを自動最適化する方法の開発に成功しており、今後は学習データ自動構築方法の開発に注力する。この開発の目的は、適用画像に類似した画像を公共のデータベースから自動的に取得して、学習データを構築することである。顕微鏡画像の類似度はGoogle画像検索のような画像の類似度を測る方法で測るのは困難なため、メタ情報の類似度を用いる。最終的に、この方法で構築した学習データを用いて、自動最適化された深層学習モデルを訓練し、性能を評価すると共に、生物学研究に貢献することを示す。昨今、ChatGPTをはじめとする大規模言語モデルが注目されており、研究現場への導入も期待されている。今後の研究では、この点についても考慮し、より簡単に最先端の顕微鏡画像処理方法を利用する方法について検討したい。
|
| Causes of Carryover |
大規模言語モデルの急速な発展に伴い、本研究においても当該技術の利用によるさらなる高性能化及び効率化が期待される。そのために、助成金の使徒を若干変更することになった。具体的には、購入予定であった計算機器を大規模言語モデルの利用に適したモデルに変更する。加えて、情報収集のための費用を増やす。
|
