| 研究課題/領域番号 |
20K19857
|
|---|
| 研究種目 |
若手研究
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
小区分61030:知能情報学関連
|
|---|
| 研究機関 | 北海道大学 |
|---|
研究代表者 |
藤後 廉 北海道大学, 情報科学研究院, 特任助教 (60840395)
|
|---|
| 研究期間 (年度) |
2020-04-01 – 2024-03-31
|
| 研究課題ステータス |
中途終了 (2022年度)
|
| 配分額 *注記 |
4,160千円 (直接経費: 3,200千円、間接経費: 960千円)
2023年度: 650千円 (直接経費: 500千円、間接経費: 150千円)
2022年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2021年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2020年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
|
|---|
| キーワード | 機械学習 / 深層学習 / 異常検知 / 医用画像 / DAGMM / データクレンジング / 胃X線 / 食道X線 / 人工知能 |
|---|
| 研究開始時の研究の概要 |
医用画像解析分野において，教師有り学習は有効性が認識されつつある．一方で，従来提案されてきた手法の多くは，データセットの構築に係る労力については考慮されていない．本研究では，データセット構築の部分に注目し，効率的にデータクレンジングを実現可能とする技術を構築する．本研究によりデータセット構築に係る労力を削減可能とすることで，あらゆる医用画像に対する診断支援技術としての社会実装の加速に貢献する．
|
| 研究実績の概要 |
本研究では，胃Ｘ線画像を対象とした機械学習に基づくデータクレンジング技術の構築を目的とする．医用画像解析分野において，大規模なデータに基づく教師有り学習は有効性が認識されつつあり，診断支援技術としての実用化が期待されている．一方で，現在提案されている多くの手法は，モデルの構築および評価にとどまっており，データセットの構築に係る労力については考慮されていない．機械学習による診断支援技術を実社会応用するためには，データへのラベリングコストを含めたトータルフォーマンスを考慮する必要がある．そこで本研究では，機械学習の社会実装へ向け必要となるデータセット構築の部分に注目し，効率的にデータクレンジングを実現可能とする技術を構築する．本研究によりデータセット構築に係る労力を削減可能とすることで，あらゆる医用画像に対する診断支援技術としての社会実装の加速に貢献する．
本年度では，前年度までに構築した異常検知モデルの高度化を行った．本研究においては，ある一定の条件下における異常検知モデル有効性検証が既に完了したため，データそのものの性質を考慮したモデルの汎用性向上について検討を行った．具体的には，データの表現やドメインの差異を考慮可能とする表現学習手法を考案した．また，自己教師あり学習の新たな理論構築も実現し，異常検知モデルへの応用を行った．得られた研究成果に関する対外発表も積極的に行い，コンピュータビジョン分野のトップ会議European Conference on Computer Vision (ECCV)やAI分野のトップ会議International Conference on Learning Representation (ICLR)への採択に至った．
|
