2017 Fiscal Year Annual Research Report
A uniform method for automatically developing various computer-aided detection systems using image feature generation
Publicly Offered Research
| Project Area | Multidisciplinary computational anatomy and its application to highly intelligent diagnosis and therapy |
|---|
| Project/Area Number |
17H05284
|
|---|
| Research Institution | Kindai University |
|---|
Principal Investigator |
根本 充貴 近畿大学, 生物理工学部, 講師 (10451808)
|
|---|
| Project Period (FY) |
2017-04-01 – 2019-03-31
|
| Keywords | コンピュータ検出支援 / 畳み込みニューラルネットワーク / 特徴量自動生成 / 深層学習 / 解剖学的ランドマーク |
|---|
| Outline of Annual Research Achievements |
今年度は，本研究の根幹となるコンピュータ検出支援（CADe）システムの汎用的自動開発フレームワークの初期バージョンの内容について，Journal of Digital Imaging誌に発表した．
また，フレームワークの機能拡張のため，畳み込みニューラルネットワーク（CNN）による正常解剖構造（解剖学的ランドマーク：LM）の画像特徴量生成に関する初期検討を行い，その成果を電子情報通信学会・医用画像研究会にて発表した．LMとは，解剖学的にも画像パターン的にもユニークな特徴を持つ，人体内に一意に定義可能な解剖学的局所構造（臓器や骨の先端や分岐，関節部など）のことである．一般的に，人体の症状によらず必ず一意に存在するLMの局所アピアランスデータは，有病症例からしか抽出ができない病変領域のアピアランスデータと比べて，大量収集が容易である．一般的に，機械学習（とりわけ深層学習）には大量の学習データを要するため，本研究では，CNNの学習を①LMによる初期学習と②病変データによる転移学習あるいはFine Tuningに分ける方策を採った．本検討は①に係るものである．体幹部CTから手動で抽出した7種類のLMのアピアランスデータ（LMを中心とした3次元パッチ画像）について，LMの種類を認識するCNNを学習し，86%のLMクラス認識精度の実現に至った．
フレームワーク初期バージョンの論文発表およびLM認識処理の初期検討結果については，本領域主催の国際シンポジウムでも報告を行った．
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
当初は，特徴量生成器のための正常解剖構造の学習法を複数検討する予定であった．しかし，現状ではCNNによるLMの認識を基盤とした特徴量生成の検討，特にLMを認識するCNNの初期学習について検討中であり，CNNの病変認識処理へのFine Tuningの検討には至っていない．
主な理由は，研究代表者の所属機関が変更となったことである．現所属機関で本研究を遂行するための研究倫理申請，前所属機関との共同研究契約（前所属機関が保持管理する医用画像データの研究利用に不可欠）に時間を要したため，実質的な研究の開始時期が遅延してしまった．
現在は，それらの研究を妨げる状況が解決したため，研究遂行に支障は無いと考える．
|
| Strategy for Future Research Activity |
LMを認識するCNNの初期学習についてのさらなる検討を重ねつつ，事前学習したCNNの病変認識への利用に関する検討にも着手する．具体的には，LMの認識問題を事前学習済のCNNを病変認識問題にFine Tuningする方法や，同様の事前学習済CNNが出力する特徴量をSVMなど異なる識別関数の学習に用いる方法：転移学習（Transfer Learning）の検討を行う．
また，CNNによるLM認識処理をベースとした特徴量生成処理以外にも，正常解剖構造の学習を基盤とした特徴量生成手法を検討する．検討事項は，畳み込みオートエンコーダ（CAE）による正常構造アピアランスの次元削減などを計画してする．
また，得られた特徴量自動生成手法の導入によるCADeシステムの汎用的自動開発フレームワークのアップデートと，新しいフレームワークで得られるCADeシステムの性能評価も予定している．得られた性能評価結果は，特徴量生成処理の改善にフィードバックし，より有用な特徴量生成処理の実現を目指す．
|
Research Products
(2 results)
