| 研究課題/領域番号 |
20K08016
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分52040:放射線科学関連
|
|---|
| 研究機関 | 東京大学 |
|---|
研究代表者 |
鈴木 雄一 東京大学, 医学部附属病院, 副診療放射線技師長 (70420221)
|
|---|
| 研究期間 (年度) |
2020-04-01 – 2023-03-31
|
| 研究課題ステータス |
完了 (2022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)
2022年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2021年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2020年度: 2,730千円 (直接経費: 2,100千円、間接経費: 630千円)
|
|---|
| キーワード | MRI / 拡散強調画像 / 人工知能 / 脳疾患 / AI / tractography / SSIM / DSC / ODF / ACC / JSC / 機械学習 / segmentation / 脳白質神経 / 脳外科手術 / 画像支援 |
|---|
| 研究開始時の研究の概要 |
健常人および脳疾患患者におけるDWIのデータ量（MPG印加軸数に起因する検査時間）やデータの内容（多段面同時励起数、b-value、MPG印加方向）と機械学習で描出されるtractographyの関係性を検討し、検査時間の効率化を図る。
加えて、これまでに取得した脳疾患患者のデータをコンピュータに機械学習させた後、tractographyを自動描出させた際に、疾患が存在しても目的とするtractographyが教師画像と同等に描出されるか検討する。
また作成したシステムを用いて、教師画像として用いていない脳疾患患者データでの検証と継続したシステムの改善を行うとともに有用性を検討する。
|
| 研究成果の概要 |
DWIで用いるSMS（時間短縮）技術併用撮像における画質劣化や収集データ不足が、脳白質自動抽出ソフト（TractSeg）の描出結果（神経走行画像）に及ぼす影響を調査し、撮像時間を大幅に短縮できることがわかった。更に脳動静脈奇形患者に適応し、臨床での適応可能性もわかった。
すでに撮像されたDWIデータを使用した深層学習によって、画像化されていないDWI生成のための学習モデル（生成AI）を構築し、精度検証した。このAIを使用することで、撮像時間を半分できる可能性が示唆された。加えて、その検証過程で、DWIデータ収集時の拡散情報収集方向に関連する運動検出傾斜磁場（MPG）の印加順番の最適化を行った。
|
| 研究成果の学術的意義や社会的意義 |
脳内の白質情報を可視化できる拡散強調画像の臨床応用が盛んであるが、生体内の複雑な情報を可視化するためには、多くのデータ収集が必要であり、比例して撮像時間が長くなり被検者への負担が増え、臨床現場での応用にも限界があった。今回既存のAI技術や自作したAIを用いることで、取得データ数を減らす（撮像時間を短縮する）場合でも、得られる結果が従来とほとんど変わることなく得られることがわかった。
これにより、被検者（患者）の負担を減少できるため社会的意義は大きい。また撮像時間が短縮できるため、臨床で従来より容易に応用できる環境となった。多くの疾患や病態の解明つながっていくことで学術的意義も大きいと言える。
|
