| Project/Area Number |
18H02761
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Single-year Grants |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 52040:Radiological sciences-related
|
|---|
| Research Institution | Tokyo Institute of Technology |
|---|
Principal Investigator |
鈴木 賢治 東京工業大学, 科学技術創成研究院, 教授 (00295578)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
粟井 和夫 広島大学, 医系科学研究科(医), 教授 (30294573)
小尾 高史 東京工業大学, 科学技術創成研究院, 准教授 (40280995)
|
|---|
| Project Period (FY) |
2018-04-01 – 2022-03-31
|
| Project Status |
Granted (Fiscal Year 2021)
|
| Budget Amount *help |
¥17,290,000 (Direct Cost: ¥13,300,000、Indirect Cost: ¥3,990,000)
Fiscal Year 2021: ¥4,420,000 (Direct Cost: ¥3,400,000、Indirect Cost: ¥1,020,000)
Fiscal Year 2020: ¥4,030,000 (Direct Cost: ¥3,100,000、Indirect Cost: ¥930,000)
Fiscal Year 2019: ¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2018: ¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
|
|---|
| Keywords | 機械学習 / CT / 被曝低減 / 深層学習 / 雑音除去 |
|---|
| Outline of Annual Research Achievements |
１）３次元胸部ファントムによる被曝低減技術の性能検証
昨年度は、2次元の深層学習（ディープラーニング）モデルを3次元に拡張し、臨床Computed Tomography (CT)で得られる3次元データを扱えるモデルにした。同時に、演算量削減手法の開発により、1回のCT検査のデータを高速に処理できるようにした。本年度は、精巧な胸部ファントム（京都科学社製）のCT像を、最低線量から最高線量まで（0.05-35 mSv）変化させて撮像した。次に、超低線量CT像（0.05, 0.1, 0.2 mSv）を入力画像、それに対応する最高線量CT像（35 mSv）を教師画像とし、3次元の深層学習モデルを学習した3次元の深層学習モデルは、３次元のカーネルを有し、カーネル内の３次元画素情報をニューラルネット回帰モデルの入力とする。入力は超低線量CTの３次元局所領域（カーネルと一致）の画素値、出力はそれに対応する高線量CT中の１画素の推定値である。学習は、教師画素と出力画素の二乗誤差が小さくなるよう、ニューラルネットの層間の重み係数を調整することにより行われた。すなわち、出力画像が教師画像として使われた高線量CT画像に近くなるように、学習が進んだ。学習後の深層学習モデルの性能を評価するため、学習後のモデルの出力画像（仮想高線量CT像）と本物の高線量CT像の画質を定量的に比較し、線量低減率を算出した。仮想高線量ＣＴ像と本物のＣＴ像の画質の関係を調べることにより、本手法で低減できる被曝線量を定量的に明らかにした。以上のように、本年度は、３次元胸部ファントムを用いて、3次元深層学習モデルによる被曝低減技術の性能検証を行った。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
研究計画にて、計画したように、３次元胸部ファントムによる実験データを取得、3次元深層学習モデルによる被曝低減技術の性能を検証した。以上のように、本研究は、おおむね計画通りに進捗している。
|
| Strategy for Future Research Activity |
当初の研究計画に沿って、がん検診で得られた臨床CT像を取得・収集し、データベース化する。取得したデータを用いて深層学習モデルを学習し、機能・性能の評価を行う。臨床CT像のデータは、本研究の共同研究機関である、広島大学病院で行う。本病院では、CTによる肺がん検診において、被曝低減手法評価のためのデータ収集が行われてきた。これらの症例から肺腫瘍患者（“充実性結節”と検出が難しく淡い“すりガラス陰影“）を後ろ向き（レトロスペクティブ・スタディ）に選択し、手法の開発、検証、評価に用いることで、本手法で低減できる線量を定量的に明らかにする。
|
