| 研究課題/領域番号 |
19K17127
|
|---|
| 研究種目 |
若手研究
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
小区分52040:放射線科学関連
|
|---|
| 研究機関 | 北海道大学 |
|---|
研究代表者 |
小林 健太郎 北海道大学, 医学研究院, 客員研究員 (70756311)
|
|---|
| 研究期間 (年度) |
2019-04-01 – 2022-03-31
|
| 研究課題ステータス |
完了 (2021年度)
|
| 配分額 *注記 |
4,290千円 (直接経費: 3,300千円、間接経費: 990千円)
2020年度: 1,690千円 (直接経費: 1,300千円、間接経費: 390千円)
2019年度: 2,600千円 (直接経費: 2,000千円、間接経費: 600千円)
|
|---|
| キーワード | 核医学 / 人工知能 / radiomics / deep learning / PET / FDG / FDG-PET/CT / テクスチャー解析 / ポジトロン断層法 / texture解析 / AI / FDG PET |
|---|
| 研究開始時の研究の概要 |
テクスチャー解析とディープ・ラーニングがPETのAI診断に用いられるようになるための基礎的データを得ることを目指す。
テクスチャー解析として、ファントム・動物のPET画像を、ファントムの真の画像や腫瘍病理切片と比較検討し、テクスチャー解析の特徴量がどのような微小構造に対応しているのかを明らかにする。
ディープ・ラーニングについては申請者の所属する北海道大学病院で過去約10年間に蓄積された2万件以上のPET臨床画像を用いる。画像には医師が作成した報告書が付属しており、それを教師データとして機械学習を行う。(1)異常所見の有無、(2)もし異常があればその臓器をAIが指摘できるかを明らかにする。
|
| 研究成果の概要 |
体内の糖代謝の分布を画像化するFDG PET-CTは、悪性腫瘍を可視化するツールとして日常診療で用いられている。他の画像診断と同様に、AI技術に対する期待は大きいが、実臨床に応用するための基礎的データが不十分である。本研究では、病変の形や内部不均一性などをピクセル値の計算式で数量化するradiomicsと、深層のneural networkを用いて特徴量の設計過程を機械学習に含めてしまうdeep learningに注目し、これらの手法をPETの臨床画像に適用し、また3Dプリンターで腫瘍、脳、乳房を模したファントムを作成し、そのPET画像に適用した。今後のAI研究開発に有用なデータが得られた。
|
| 研究成果の学術的意義や社会的意義 |
RadiomicsをPETに用いた研究は散見されるものの、実用化には至っていない。これはradiomicsの有用性が確立していないことが原因と考えられた。多数の特徴量の中から、どのような特徴量が有用であるかを明らかにしていく研究が不足していたため、今回はこれに焦点をあてた。臨床画像ではground truthが得られないことが多いため、ファントムを併用した。同時に、急速に進化するdeep learning(DL)技術をPETに応用していくことは急務と考えられたため、これもあわせて今回の研究テーマとし、DLが解決できる課題とそうでない課題とを区別するための知見を得ることができた。
|
