| Project/Area Number |
20H04211
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Single-year Grants |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 61010:Perceptual information processing-related
|
|---|
| Research Institution | Kyushu University |
|---|
Principal Investigator |
Bise Ryoma 九州大学, システム情報科学研究院, 准教授 (00644270)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
末廣 大貴 九州大学, システム情報科学研究院, 助教 (20786967)
渡邉 和秀 国立研究開発法人理化学研究所, 生命医科学研究センター, 客員主管研究員 (40749397)
吉澤 明彦 京都大学, 医学研究科, 准教授 (80378645)
|
|---|
| Project Period (FY) |
2020-04-01 – 2023-03-31
|
| Project Status |
Completed (Fiscal Year 2022)
|
| Budget Amount *help |
¥17,680,000 (Direct Cost: ¥13,600,000、Indirect Cost: ¥4,080,000)
Fiscal Year 2022: ¥4,810,000 (Direct Cost: ¥3,700,000、Indirect Cost: ¥1,110,000)
Fiscal Year 2021: ¥6,890,000 (Direct Cost: ¥5,300,000、Indirect Cost: ¥1,590,000)
Fiscal Year 2020: ¥5,980,000 (Direct Cost: ¥4,600,000、Indirect Cost: ¥1,380,000)
|
|---|
| Keywords | 機械学習 / 弱教師学習 / 半教師あり学習 / 教師なし学習 / バイオ医療画像解析 / バイオイメージインフォマティクス / バイオ医療画像解 / 画像情報学 |
|---|
| Outline of Research at the Start |
本研究課題では，生命科学分野でのLong-tailな研究課題の現場における深層学習の実活用の大きなボトルネックの一つとなっている教師データ作成に着目して，生命科学特有の簡易に取得可能な弱教師を活かすことが可能な問題設定及び手法開発を新たに行い，様々な課題で簡易に適用できるフレームワークを構築することで，実活用拡大につなげる．
|
| Outline of Final Research Achievements |
In this research project, we develop machine-learning methods that use weakly-supervised data, which can be easily obtained based on specific to the life sciences domain. Specifically, we proposed methods for various tasks such as cell image analysis, pathology image analysis, and other applications, including detection, region segmentation, and tracking. As a result, we achieved significant outcomes, including 17 peer-reviewed papers, which included three publications in top journals (MedIA) and seven publications in top international conferences (ECCV, MICCAI, ICASSP).
|
| Academic Significance and Societal Importance of the Research Achievements |
生命科学分野における研究では，研究目的によって実験条件（例：疾病の種類，部位，細胞種，成長因子等の細胞培養環境）が多種多様であり，，研究目的に合わせて個別に大量の教師データを作成することが高コストであり，自動定量化導入のボトルネックとなっている．本研究では，生命科学特有の簡易に取得可能な弱教師を活用した機械学習手法を様々なタスクに関して開発した．これにより，蛍光マーカー等の付与情報や医療診断時に画像に付与されている診断情報を弱教師として活用することが可能となり，教師データ作成を省力化し，データの大規模化，適用範囲の拡大が期待され，生命科学分野に大きく貢献する．
|
