研究課題/領域番号 |
22K12795
|
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90110:生体医工学関連
|
研究機関 | 東北大学 |
研究代表者 |
安西 眸 東北大学, 流体科学研究所, 助教 (50736981)
|
研究分担者 |
麦倉 俊司 東北大学, 東北メディカル・メガバンク機構, 教授 (20375017)
杉山 慎一郎 東北大学, 医学系研究科, 非常勤講師 (30623152)
森 菜緒子 東北大学, 医学系研究科, 助教 (90535064)
|
研究期間 (年度) |
2022-04-01 – 2025-03-31
|
研究課題ステータス |
交付 (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)
2024年度: 1,040千円 (直接経費: 800千円、間接経費: 240千円)
2023年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2022年度: 1,950千円 (直接経費: 1,500千円、間接経費: 450千円)
|
キーワード | 深層学習 / データ拡張 / 脳動脈 / 血流解析 / 数値流体解析 / 医療用画像 / 血流 |
研究開始時の研究の概要 |
脳動脈瘤の発生・成長・破裂に血流による力学的ストレスが関連すると示唆されて以来、数値流体力学(CFD)解析を用いて動脈瘤の発生・成長・破裂を誘起する流体力学的因子を定義する試みが行われてきた。しかし一般的な医学的統計研究と比較して、これまでのCFD研究の規模は非常に小さく、統計学的に血流-疾患の関連を明らかにする上で十分なサンプル数を確保していない。そこで本研究では、数万例の血流CFDを行うための抜本的な解析技術の転換として、深層学習により脳断面画像から生体内の流れ場を瞬時に推定する手法を提案し、その検証を行う。
|
研究実績の概要 |
本研究では深層学習技術により脳形態画像から生体内の流れ場を瞬時に推定する手法の検証を目的とする.そのため,2022年度は深層学習ネットワークを学習するための擬似データ作成技術の開発およびデータ作成を行った.3次元的な構造物に対し,形状特徴を保った擬似データを生成する既存技術として,統計形状モデルが存在する.しかしながら血管のような連続的で複雑な構造を持った物体に対して,構造を保ったままデータ生成を行うことは難しかった.そこで,血管構造の中心線化を行い低次元データとしてデータ拡張を行った. 1つ目のアプローチとして連続構造を保つために中心線に相対座標系を導入し,大動脈・頸動脈系の統計形状モデルを作成した.これにより,医療画像における患者の位置や体位,体形に依存する血管の位置ずれの影響を抑制することを可能とした.さらに,血管部位ごとの変形に容易に対応できるため,より多様な形状を生成可能とした.相対座標系によるアプローチは国際学会2件,国内学会1件の発表を行っており,国内外から高い評価を得ている. 2つ目のアプローチとして,中心点座標の連続性と分布の正規性に着目したデータ拡張技術であるMVND法の開発を行った.本手法では多数の中心線座標点の共分散から多変量正規分布を生成し,正規分布からサンプリングすることで多数の擬似データを生成する.正規分布に沿ってサンプリングを行うため,多くのデータは平均値の周りに集中し、平均値から離れた極端な値は稀で生成される傾向を再現可能とした.そのため,擬似的なコホートとして血管形状データを作成することが可能となり,深層学習に必要な大量のデータを容易に取得することを可能とした.本アプローチは2件の国際学会,2件の国際ワークショップで発表を行っており,現在論文として取りまとめている.
|
現在までの達成度 (区分) |
現在までの達成度 (区分)
3: やや遅れている
理由
本年度は脳DSA画像データの収集が遅れたことからオープンレポジトリ上の大動脈のCTデータおよび東北大学病院より得られた脳MRA画像データを用い,データ拡張技術の開発を行った.本年度中に事前実験として,擬似データ形状の群の再現性試験を行っており,大量に生成された擬似データが患者群のデータを再現可能であることは示されている.またデータ拡張技術によって生成された血管に対して血流CFD解析を行い,実患者データと同程度の血流場を示すことを確認した.したがって,本手法はDSA画像に対しても適用可能であり,またDSA画像はCT,MRより血管抽出過程が容易であることから,2年目においてDSA画像への適応を行うことで,深層学習に向けたCFD解析を行うことが可能である.
|
今後の研究の推進方策 |
学習データ作成として擬似血管データに対してCFD解析を続ける必要があるため,CFD解析の高速化フレームワークを取り入れる.学習の基となる医療データ,正解ラベルである血流CFD結果のペアを作成する.学習ネットワークはU-Netを想定しているため,畳み込み構造を3次元構造物に適応し,作成した学習データ群を用いて血流予測CFDネットワークを開発する.
|