| 研究課題/領域番号 |
22K12237
|
|---|
| 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 | 室蘭工業大学 |
|---|
研究代表者 |
近藤 敏志 室蘭工業大学, 大学院工学研究科, 教授 (20821060)
|
|---|
| 研究期間 (年度) |
2022-04-01 – 2025-03-31
|
| 研究課題ステータス |
交付 (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)
2024年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2023年度: 1,690千円 (直接経費: 1,300千円、間接経費: 390千円)
2022年度: 1,690千円 (直接経費: 1,300千円、間接経費: 390千円)
|
|---|
| キーワード | ドメイン適応 / 医用画像 / 領域抽出 / 画像認識 |
|---|
| 研究開始時の研究の概要 |
医用画像から臓器や病変部を切り出すセグメンテーション技術は，機械学習モデルの訓練
に必要となる教師データの作成に多大なコストや時間がかかることが課題である．ある撮像手段や臓器を対象にした画像，教師データ，学習済モデルを，他の撮像手段や対象臓器に転用してこのコストを削減する試みがなされているが，このような方法はデータの秘匿性が求められる実臨床現場での運用に適さない．そこで本研究では，転用元の画像と教師データを用いない転用技術に関する理論を構築し，新たに構築するデータセットを用いた検証を通して，転用元の画像や教師データがなくても高い認識性能を実現する転用技術を確立することを目的とする．
|
| 研究実績の概要 |
本研究の目的は，医用画像のセグメンテーションにおいて，教師データ作成の人的・時間的コストを削減でき，かつデータの秘匿性が求められる実臨床現場での運用に適した，「ソースデータなしドメイン適応技術」を確立することである．その中で，1年目の研究実施計画は，主に本研究の理論基盤を構築し基本方式を確立すること， 2年目（当該年度）の研究実施計画は，データセットを拡充し，幅広い撮像手段や対象臓器に対しても性能を担保するように1年目で確立した方式の改良を行うこと，であった．
ソースデータなしドメイン適応技術の臨床応用先を探すべく，臨床現場の医師・技師等と議論を進める中で，MRI画像からの骨部抽出に本技術が適用できるのではないかと思い至った．MRI画像は被曝がないため若年層の検査に向いているが，骨部が暗く描写されて周辺組織との区別がつきにくく抽出が困難という課題がある．一方でCT画像では骨部は明るく描写されて抽出が容易という利点がある．そこで，CT画像とその骨部領域情報を活用してMRI画像からの骨部抽出を行うことを目的とした．ここではまず，CT画像とMRI画像とを用いて，CT画像をMRI風画像に変換する画風変換用深層学習モデルを作成する．その後，MRI風画像とCT画像の骨部領域情報を用いてMRI画像から骨部を抽出する骨部抽出用深層学習モデルを作成する．実験により，検討方式による領域抽出性能は目標を満たさないことを確認した．その原因として，画風変換用モデルにより生成されるMRI風画像の画質の低さが原因であることを確認した．
また1年目に検討したブラックボックス型に関しては，当該年度にて，医用画像解析のトップカンファレンスであるMedical Image Computing and Computer Aided Intervention のワークショップ（査読有り）で発表を実施した．
|
| 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
当該年度（2年目）の研究実施計画は，データセットを拡充し，幅広い撮像手段や対象臓器に対しても性能を担保するように1年目で確立した方式の改良を行うこと，であった．
ソースデータなしドメイン適応技術の臨床応用先を探すべく，臨床現場の医師・技師等と議論を進める中で，MRI画像からの骨部抽出に本技術が適用できるのではないかと思い至った．MRI画像は被曝がないため若年層の検査に向いているが，骨部が暗く描写されて周辺組織との区別がつきにくく抽出が困難という課題がある．一方でCT画像では骨部は明るく描写されて抽出が容易という利点がある．そこで，CT画像とその骨部領域情報を活用してMRI画像からの骨部抽出を行うことを目的とした．ここではまず，CT画像とMRI画像とを用いて，CT画像をMRI風画像に変換する画風変換用深層学習モデルを作成する．その後，MRI風画像とCT画像の骨部領域情報を用いてMRI画像から骨部を抽出する骨部抽出用深層学習モデルを作成する．実験により，検討方式による領域抽出性能は目標を満たさないことを確認した．その原因として，画風変換用モデルにより生成されるMRI風画像の画質の低さが原因であることを確認した．
以上より，当初予定していた計画から変更を行ったが，これは臨床応用性を重視しての判断であり，3年目に計画していた臨床応用先の探索を1年早くできたという点で，計画の前倒しができたと認識している．一方で，検討した方式で目標性能を満たせなかったことについては，計画に対して少し遅延が生じたと思われる．よって，前倒しと遅延の要素があるため，相対的には計画通りであると判断できる．
|
| 今後の研究の推進方策 |
本研究課題の全期間は3年間であり，今年度が最終年度となる．研究開始時の計画では，3年目には，機能拡張として複数のソースドメインのモデルを活用する方法に関して研究を実施し，更に性能を高めることを狙い，またこれと並行し，それまでの結果を元に臨床研究先の探索を行い，本研究期間完了後の実臨床応用へと繋げる，としていた．
しかし2年目に，ソースデータなしドメイン適応技術の臨床応用先として，MRI画像からの骨部抽出を候補として見出した．しかしながら，検討した方式（CT画像をMRI風画像に変換する画風変換用深層学習モデルと，MRI風画像とCT画像の骨部領域情報を用いてMRI画像から骨部を抽出する骨部抽出用深層学習モデルを作成する方式）では，目標とする領域抽出性能を満たせないことを確認した．
そこで3年目は，臨床応用先はMRI画像からの骨部抽出として設定したまま変更せず，目標とする領域抽出性能を満たせるように異なる方式を検討する．具体的には，まずCT画像をMRI画像に高精度に位置合わせ（変形）する位置合わせ深層学習用モデルを訓練する．そして，その変形パラメータを用いてCT画像の領域情報を変形させ，それをMRI画像の領域情報として用いて肩甲骨抽出用深層学習モデルを訓練する．これにより，2年目の検討方式での課題を回避することができると想定している．そして，本研究期間完了後の実臨床応用へと繋げる．
|
