| 研究課題/領域番号 |
23K11253
|
|---|
| 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61040:ソフトコンピューティング関連
|
|---|
| 研究機関 | 兵庫県立大学 |
|---|
研究代表者 |
小橋 昌司 兵庫県立大学, 工学研究科, 教授 (00332966)
|
|---|
| 研究分担者 |
木下 芳一 兵庫県はりま姫路総合医療センター(研究部), 研究部, 研究員 (30243306)
村津 裕嗣 兵庫県はりま姫路総合医療センター(研究部), 研究部, 研究員 (30273783)
圓尾 明弘 兵庫県はりま姫路総合医療センター(研究部), 研究部, 研究員 (00899718)
佐貫 毅 兵庫県はりま姫路総合医療センター(研究部), 研究部, 研究員 (90514943)
八木 直美 兵庫県立大学, 先端医療工学研究所, 准教授 (40731708)
藤田 大輔 兵庫県立大学, 工学研究科, 助教 (90907867)
|
|---|
| 研究期間 (年度) |
2023-04-01 – 2026-03-31
|
| 研究課題ステータス |
交付 (2024年度)
|
| 配分額 *注記 |
4,550千円 (直接経費: 3,500千円、間接経費: 1,050千円)
2025年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
2024年度: 1,690千円 (直接経費: 1,300千円、間接経費: 390千円)
2023年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
|
|---|
| キーワード | 医用X線画像 / 深層学習 / SaMD（医療機器プログラム） / 骨折検出 / 便・ガス定量化 / 疑似2次元画像生成 / 深層学習モデル / 骨盤骨折検出 / 便秘診断支援 / 転移学習 / 3次元画像データ / 単純X線 / 人工知能 / 病変検出 / ３次元データ |
|---|
| 研究開始時の研究の概要 |
本研究では，「3次元データを活用した単純X線からのAI病変検出」を提案する．本提案法では，3次元データであるCTやMRから病変や臓器を自動検出，疑似2次元画像を生成することで大量の学習データ生成により高精度な病変検出モデルを確立する．3次元画像から病変を検出することで，単純X線のみでは判断が困難な微細な疾患の確度の高いアノテーションが可能になる．3次元画像から病変を検出することで，単純X線のみでは判断が困難な微細な疾患の確度の高いアノテーションが可能になる．同成果を基に様々な部位，病変の検出，超音波などの別モダリティへ応用する．
|
| 研究実績の概要 |
本研究は、視認困難な医用X線画像領域に対し、深層学習を活用して病変の高精度自動検出技術を確立し、診断の標準化・客観化を推進することを目的とする．特に、①腹部X線における便・ガスの曖昧な境界、②骨盤X線における局所的・非対称な骨折部位という、従来診断が困難で医師間のばらつきが大きい領域に注目し、検出・定量化手法の開発を進めた．2024年度は、これらの課題に対し深層学習の有効性を実証し、目的に沿った成果を得た．
腹部X線では、ガスと便を同時に分離するマルチタスクU-Net（AGMS）を構築し、ガスを補助タスクとすることで便領域の抽出感度を有意に向上させた（Recall: 0.694→0.740, p<0.001）．また、定量指標Stool Volume Score（SVS）を新たに定義し、医師注釈との相関係数0.829を達成した．これにより、主観的評価に依存しない便量定量化の枠組みを提供した．さらに、3D CT由来の疑似X線画像による事前学習や、pseudo-labelingを用いた半教師あり学習も導入し、少量の注釈データでも高精度なモデル構築が可能であることを示した．
骨盤骨折の検出では、X線画像を左右に分割してCNNで個別に処理するPatch-based Ensemble Learningを提案し、AUROC 0.87、Recall 0.87と高精度を達成した．これは、局所的かつ非対称な骨折に着目し、左右差を活用することで視認困難な骨折を高感度に検出する新しい枠組みであり、従来法を上回る性能を示した．
以上の成果は、申請時に掲げた目的「X線画像の視認困難領域に対する深層学習による高精度検出」に沿ったものであり、腹部・骨盤という異なる部位での有効性を示した．今後は多施設データでの外部検証や、医療機器ソフトウェア（SaMD）としての社会実装を目指し、展開を進める予定である．
|
| 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
本研究課題は、申請時に掲げた「X線画像における視認困難領域に対する深層学習による高精度な自動検出技術の確立」という目的に沿って、2024年度においては腹部X線および骨盤X線の2つの代表的対象領域において計画的に進展している．
腹部X線に関しては、便とガスのセグメンテーション精度向上を目的とし、マルチタスク型U-Net（AGMS）を構築した．補助タスクとしてのガス領域の同時学習により便領域の検出感度が有意に向上し、Recallは0.694から0.740へと改善された．さらに、新規定量指標Stool Volume Score（SVS）を導入し、医師注釈との高い相関係数（0.829）を達成した．加えて、3D CT由来のDRR画像を用いた事前学習、pseudo-labelingによる半教師あり学習など、計画段階で想定していた技術の導入も実施済みである．これにより、注釈負荷の軽減と学習効率の両立が実現されつつある．
骨盤X線については、骨折検出に対するPatch-based Ensemble Learningを提案し、左右に分割した画像から局所的な非対称性を捉えることで、AUROC 0.87、Recall 0.87という高い識別性能を確認した．この結果は、従来のグローバル画像ベースのCNNや単純なアンサンブル法では捉えにくい微細な骨折の自動検出に寄与するものであり、診断の見逃し防止に資する技術として実用性が高い．
これらの取り組みは、申請時の研究目的に則った形で順調に進行しており、国際会議での発表や学術誌への論文化も計画通り進んでいる．また、本手法は若手医師や研修医における診断支援、さらには医療機器ソフトウェア（SaMD）としての応用にもつながる可能性があり、社会的意義の高い成果が期待される．以上のことから、研究はおおむね順調に進展していると判断する．
|
| 今後の研究の推進方策 |
本研究課題の今後の推進にあたっては、今年度に構築した深層学習モデルをより実臨床に適用可能な形へと発展させることを重点に進める．まず、腹部X線画像に対するマルチタスク学習モデル（AGMS）については、便・ガス定量指標（SVS・GVS）の信頼性と有用性をさらに高めるため、複数の施設から得られる多様な症例データを用いた外部検証を計画している．また、SVSの臨床的意義を明確にするため、便秘のタイプ分類や治療反応との関連性を検討し、診断支援指標としての妥当性を裏付ける予定である．
骨盤X線画像を対象としたPatch-based Ensemble Learningに関しては、検出性能のさらなる向上を目的に、注意機構や視覚的解釈性（Grad-CAM等）を組み込む改良を行うとともに、学習データの拡張と難症例への対応力の評価を進める．あわせて、X線以外のモダリティ（CT等）との比較や融合も視野に入れた多角的評価を検討する．
これら2軸の研究成果は、今後、診断支援アプリケーションや医療機器プログラム（SaMD）としての展開を見据えて、UI・UX設計やシステム統合の試作を進めるとともに、倫理審査や実証評価を通じた臨床実装を目指す．また、関連分野の医師・放射線技師との連携を強化し、現場ニーズに即したアルゴリズム改善と評価指標の最適化を進めることで、学術的貢献と社会実装の両立を図る．
|
