| 研究課題/領域番号 |
21K12731
|
|---|
| 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90130:医用システム関連
|
|---|
| 研究機関 | 愛知県立大学 |
|---|
研究代表者 |
神谷 直希 愛知県立大学, 情報科学部, 准教授 (00580945)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2024-03-31
|
| 研究課題ステータス |
完了 (2023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: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
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 | 骨格筋 / 脊柱起立筋 / L3断面 / 体組成 / 体腔 / 深層学習 / セグメンテーション / 表層筋 / 胸鎖乳突筋 / 筋認識 / モデル |
|---|
| 研究開始時の研究の概要 |
骨格筋はCT，MRIなど断層画像の多くで描出されるが，通常は対象疾患や周辺組織の読影に注力され，健康時より管理可能であるが，筋量を含む正確な状態把握は困難な課題である．我々は，モデルベースの骨格筋部位別認識技術，さらに深層学習を用いた骨格筋の部位別認識技術を有しているが，双方に利点と課題が明らかとなっている．特に，一般の画像処理タスクとは異なり，深層学習用の骨格筋のアノテーション作業は現実的ではない．本研究では，深層学習とモデル併用により，筋線維のミクロ・マクロ構造に着目した，AI時代の筋の記述法を提案し，全身表層筋の認識を実現することをゴールとする．
|
| 研究成果の概要 |
本研究課題では，従来の単要素の骨格筋認識に基づく骨格筋認識・解析技術に対し，深層学習とモデル統合理論により，全身にわたる骨格筋認識の課題を克服することを目的とした骨格筋セグメンテーション技術の開発に取り組んだ．
ここでは，これまでに，モデルベースによる筋の外形の記述により認識された，比較的形状が特徴的な8つの骨格筋における自動認識をベースラインとし，全身の骨格筋認識に展開可能な深層学習とモデルベース認識技術として，アノテーションコストと両立可能な脊柱起立筋および体腔をキーとする部位別骨格筋の認識法および，骨格筋を含む全身の体組成の推定ではない実量計測技術を開発した．
|
| 研究成果の学術的意義や社会的意義 |
本研究は，骨格筋の自動認識と解析を新しい視点で再定義することを目的として実施した．骨格筋の解析は医師による半自動セグメンテーションが主流であり，主に横断面積に焦点を当てているが，我々は深層学習ベースの骨格筋認識と形状・筋束モデルの併用による，全身規模による認識を目指した．本研究により，深層学習とモデルを併用することで，従来の単一要素による解析にとどまらず，筋のミクロ・マクロ構造の多角的な解析の糸口を構築できた．本研究は，萎縮性筋疾患の画像鑑別など新たな医学的見地を得るために必要な要素技術の一つとしての可能性があり，医学的，工学的，産業的にも意義を持つ．
|
