2018 Fiscal Year Annual Research Report
Risk Assessment of development disorder using spatiotemporal statistical shape model
Publicly Offered Research
Project Area | Multidisciplinary computational anatomy and its application to highly intelligent diagnosis and therapy |
Project/Area Number |
17H05304
|
Research Institution | University of Hyogo |
Principal Investigator |
小橋 昌司 兵庫県立大学, 工学研究科, 教授 (00332966)
|
Project Period (FY) |
2017-04-01 – 2019-03-31
|
Keywords | 新生児 / MRI画像 / 医用画像解析 / 深層学習 / 時空間統計的形状モデル / 脳疾患 |
Outline of Annual Research Achievements |
新生児期において,脳はその大きさ,形,また形態は成長時点により大きく変化する.脳発達に伴う正常な脳形状の変形を理解し,脳疾患に起因する微小な脳形状変形を検出することで,脳疾患を早期に発見できる.特に小児期の脳疾患は,より早期の治療,療育が症状の低減に有効であることが知られている.また,MRI画像での診断は,問診等に依らないため,新生児期から適用可能である.しかし,これまで新生児期を対象とした脳MRI画像診断支援に関する研究はほとんど行われていない. 本研究では,新生児脳疾患診断支援システムを構築するため,畳み込みニューラルネットワークに基づく3次元脳MR画像からの全脳領域抽出法を提案した.特に成人脳MR画像を事前学習する転移学習法により精度向上を図る.さらに,正常な脳発達に伴う脳形状変形をモデル化するため,統計的に個人間変動をモデル化した時空間統計的形状モデル(stSSM; spatiotemporal statistical shape model)を提案した.同stSSMを用いることで,新生児脳形状の静的形状パラメータの抽出,さらに成長に伴うパラメータ変動の抽出を行う.これら抽出パラメータを用い,機械学習によるクラス識別問題とすることで,新生児脳MR画像からの脳疾患検出法を提案した. 提案法を修正齢-5日から730日の新生児脳MR画像に適用した結果をダイス形式で評価すると,学習データに対しては0.958,評価データに対しては0.919であった.また転移学習無しの手法では,それぞれ0.919,0.838であり,提案法の有効性が示された.また,時空間統計的形状モデルにおいては,カルマンフィルタを導入することで,時間連続したモデル構築を可能とした.
|
Research Progress Status |
平成30年度が最終年度であるため、記入しない。
|
Strategy for Future Research Activity |
平成30年度が最終年度であるため、記入しない。
|