2017 Fiscal Year Annual Research Report
A sparse texture analysis method using deep learning
Publicly Offered Research
| Project Area | Initiative for High-Dimensional Data-Driven Science through Deepening of Sparse Modeling |
|---|
| Project/Area Number |
16H01542
|
|---|
| Research Institution | The University of Electro-Communications |
|---|
Principal Investigator |
庄野 逸 電気通信大学, 大学院情報理工学研究科, 教授 (50263231)
|
|---|
| Project Period (FY) |
2016-04-01 – 2018-03-31
|
| Keywords | びまん性肺疾患識別 / 特徴量選択 / 深層学習 / 特徴量の可視化 |
|---|
| Outline of Annual Research Achievements |
本研究は，医療画像などにおいて解析困難となるテクスチャ状の画像データに対し，そのテクスチャ構造を表現する有効な因子を抽出することによる構造理解の促進を目的としている．第二期研究では，第一期研究時に提案している DCNN を用いた転移学習方法を発展させるとともに，DCNN内部の状態表現を理解するために，従来の “ハンドデザインした特徴量＋SVMのような識別機械” といった機械学習手法で構築されるシステムとDCNNの内部状態を対応させることを試みた．このため，第二期研究は，以下のサブテーマを設定した．
1) 医療画像などのテクスチャ状画像データに対して，より高精度な識別が行える深層学習 (Deep Learning: DL)等 を用いた表現を構築し，DL 内部のデータ表現からどのようなテクスチャデータが識別に有効に寄与しているかを検討した．この結果，びまん性肺疾患画像の識別問題において少数データからでも高精度な識別装置の構築が可能であることを示した．また識別時に画像中のどの部分が識別に有効に作用しているかを示すことも示すことができた．
2) 従来のテクスチャ特徴量を用いた判別問題に対して，L1制約型のスパースモデリングや， Approximated Exhaustive Search (AES)-SVM 法をといった特徴選択手法を適用し，有効な特徴量を選択し，どのような特徴が，識別に関して有効に寄与しているかを検討した．この結果，従来の L1 制約を用いた識別装置はハイパーパラメータの選択に敏感なため，AES-SVM のような全数検索ベースの近似手法が良い成果を出すことが示せた．
更に，これらの課題から得られる特徴量自体を比較し，有効な特徴量を抽出することを検討した．
|
| Research Progress Status |
29年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
29年度が最終年度であるため、記入しない。
|
