研究課題/領域番号 |
21K12111
|
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62010:生命、健康および医療情報学関連
|
研究機関 | 奈良先端科学技術大学院大学 |
研究代表者 |
小野 直亮 奈良先端科学技術大学院大学, データ駆動型サイエンス創造センター, 准教授 (60395118)
|
研究分担者 |
大内田 研宙 九州大学, 大学病院, 講師 (20452708)
|
研究期間 (年度) |
2021-04-01 – 2024-03-31
|
研究課題ステータス |
交付 (2022年度)
|
配分額 *注記 |
3,900千円 (直接経費: 3,000千円、間接経費: 900千円)
2023年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
2022年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
2021年度: 2,080千円 (直接経費: 1,600千円、間接経費: 480千円)
|
キーワード | 深層学習 / 病理組織画像 / 教師なしクラスタリング / 免疫染色 / 膵がん / 多種染色法 |
研究開始時の研究の概要 |
病理組織画像のような特殊な画像に対してニューラルネットワークを適用しようとする場合には、既存のモデルではなく画像の特性に合わせた特徴抽出の方法を最適化させる必要がある。本研究では申請者が開発した分散学習型オートエンコーダーを用い、教師なし学習による画像の特徴のクラスタリングを学習させる。学習したモデルをもとに、膵がんの細胞の形状のパターンを分類するための深層学習モデルを構築し、膵臓組織の細胞の表現型を定量的な指標で表せるようにすることで、膵がんの状態の理解と分析につがなると期待できる。
|
研究実績の概要 |
本研究では、深層学習を用いてマウスの膵臓の腫瘍からサンプリングした組織を5つの異なる染色技術、 すなわち、HE (ヘマトキシリン & エオシン染色)、MT (マッソントリクローム染色)、およびCD31 (分化クラスター 31)、CK19 (サイトケラチン 19)、および Ki67 (増殖マーカー Ki67)の3つの免疫染色方法で染色し、得られた画像から細胞構造の特徴を抽出し、潜在空間に埋め込むモデルを構築した。 病理組織画像からランダムに切り出した画像をもとにVector Quantized Variational Autoencoders (VQ-VAE)をもとにしたオートエンコーダーを用いて特徴抽出を最適化したのち、細胞の種類の異なるパターンを区別するために教師なしクラスタリングの手法をもちいて学習させた。クラスター間の画像の特徴の差異を最大化する情報量最大化のアルゴリズムによって、埋め込まれた潜在空間におけるサンプルの分布を解析し、クラスター構造を最適化した。クラスター間の分離を評価する統計的な指標である Dunn インデックスを用いて、クラスター数に依存する分離の精度を評価し、教師なし学習の課題で最適なクラスター数を決定した。
|
現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
オートエンコーダーによる潜在変数への埋め込みモデルによる学習が安定して収束するようになり、元画像が精度良く再現できるだけの特徴が抽出できるようになっている。また、教師なしクラスタリングの結果を統計的に評価することにより、クラスター数の最適な数を選ぶことができた。
|
今後の研究の推進方策 |
VQ-VAEによる埋め込みが一定の結果を出せるようになったため、ほかの埋め込みモデルによる結果を比較することを検討している。特に、最近の画像生成モデルで着目されている確率拡散モデルを用いた埋め込みと画像生成を利用したクラスタリングを行い、さらに潜在空間の汎化性を高めることを考えている。
|