| 研究課題/領域番号 |
17K17680
|
|---|
| 研究種目 |
若手研究(B)
|
| 配分区分 | 基金 |
|---|
| 研究分野 |
知覚情報処理
知能情報学
|
|---|
| 研究機関 | 近畿大学 |
|---|
研究代表者 |
根本 充貴 近畿大学, 生物理工学部, 講師 (10451808)
|
|---|
| 研究期間 (年度) |
2017-04-01 – 2020-03-31
|
| 研究課題ステータス |
完了 (2019年度)
|
| 配分額 *注記 |
2,990千円 (直接経費: 2,300千円、間接経費: 690千円)
2019年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
2018年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
2017年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
|
|---|
| キーワード | 転移学習 / 深層学習 / コンピュータ検出支援 / 医用画像診断 / 解剖学的ランドマーク / 深層畳み込みニューラルネットワーク / プレトレーニングモデル / 畳込みニューラルネットワーク / Fine Tuning / 機械学習 / 医用画像認識 / 診断支援 |
|---|
| 研究成果の概要 |
深層畳み込みニューラルネットワークなど，AI画像認識処理の効率的な学習方法の１つに，深層転移学習がある。これは，認識対象とは別の画像データを使って画像認識の事前学習を行ったうえで，対象の画像パターン認識処理を構築する方法である。本研究では，医用画像上の病変パターン認識の事前学習データとして，人体内の特徴的な局所パターン（解剖学的ランドマーク：LM）を用いたときの振る舞いについて，実験的に検討した。
臨床画像を用いた実験の結果，LMデータを用いて事前学習するだけで，病変認識に有用な複数の特徴量が自動的に生成されることが明らかとなった。
|
| 研究成果の学術的意義や社会的意義 |
一般的に，最新のAI画像認識処理の構築には大量の学習用データが必要となる。一方で，医用画像上の病変パターンデータの大量収集は容易ではない。転移学習は，AI画像認識処理を効率的かつ少数データで構築するための2段階のAI学習法として知られている。
本研究は，医用画像上の病変パターン認識AIをより効率的に構築するための方法論に関するものである。この研究の発展により，多くの病変パターン認識AIの開発が促進され，さらには医療サービスの質向上につながるものと考える。
|
