| 研究課題/領域番号 |
23K11909
|
|---|
| 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 | 立命館大学 |
|---|
研究代表者 |
檜作 彰良 立命館大学, 理工学部, 講師 (20822844)
|
|---|
| 研究分担者 |
正宗 賢 東京女子医科大学, 医学部, 教授 (00280933)
楠田 佳緒 東京医療保健大学, 医療保健学部, 助教 (00780131)
中山 良平 立命館大学, 理工学部, 教授 (20402688)
|
|---|
| 研究期間 (年度) |
2023-04-01 – 2026-03-31
|
| 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)
2025年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2024年度: 1,040千円 (直接経費: 800千円、間接経費: 240千円)
2023年度: 1,820千円 (直接経費: 1,400千円、間接経費: 420千円)
|
|---|
| キーワード | Low Grade Glioma / 脳MRI画像 / Channel Attention / Spatial Attention / Deep Metric Learning / 分子サブタイプ分類 / 神経膠腫 / 損失関数 / Deep learning / Attention Mechanism |
|---|
| 研究開始時の研究の概要 |
近年，畳み込みニューラルネットワーク（Convolutional Neural Networks）を用いた，脳腫瘍の遺伝子変異推定の研究が活発に行われている．従来研究の多くは少数の脳MRI（Magnetic Resonance Imaging）画像でCNNを学習させているため，CNNが過学習（学習データに過剰に適応した結果，テストデータに対する正答率が低下する現象）に陥っている可能性がある．過学習したCNNは，本質的でない領域（腫瘍以外）に着目して遺伝子の推定を行う場合がある．そこで本研究では，少数サンプルで学習可能なCNNを新たに構築し，それを脳腫瘍の遺伝子変異推定に応用する．
|
| 研究実績の概要 |
本年度は，Spatial Attention Mechanismに加えChannel Attention Mechanismを追加したMulti-scale 3D Convolutional Neural Networks（MS-3DCNN）により，脳MRI画像（Magnetic Resonance Imaging）画像における低悪性度グリオーマ（LGG：Low Grade Glioma）の分子サブタイプを分類する手法を開発した．実験試料として，東京女子医科大学より提供された217患者のT1強調画像，T2強調画像，FLAIR画像（Astrocytoma IDH-mutant：58，Astrocytoma IDH-wildtype：49， Oligodendroglioma：110）を用いた．本研究では，我々の従来手法であるSpatial Attention Mechanismを用いたMS-3DCNNに対し，Channel Attention Mechanismを導入した新たなネットワークを構築した．Spatial Attention Mechanismは特定領域に重み付けしたAttention Mapを生成するのに対し，Channel Attention Mechanismは特徴マップのチャネル方向のAttentionであり，分類に寄与するチャネルに重み付けする．提案ネットワークはFeature Extractor，Attention Branch，Perception Branch で構成される．Feature Extractor は，脳腫瘍を含む関心領域 から異なる解像度の特徴マップを抽出した．次のAttention Branch では，腫瘍領域と分類に寄与するチャネルに重みを与えたAttention Map を生成した．そして，生成したAttention Map に基づき特徴マップに重み付けした．最後に，重み付けした特徴マップを用いたPerception Branch により，LGG を3 つの分子サブタイプに分類した．提案手法の平均正答率は69.5%（Astrocytoma IDH-mutant：68.9 %，Astrocytoma IDH-wildtype：81.6%， Oligodendroglioma：64.5%）であり，Spatial Attention Mechanismのみを用いた場合の66.4%（51.7%，61.2%，76.4%）よりも高く，提案手法の有用性が示唆された．
|
| 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
本年度は，我々の従来手法であるSpatial Attention Mechanismを用いたMS-3DCNNに対して，Channel Attention Mechanismを導入したネットワークを構築した．提案手法を実験試料に適用した結果，提案手法の平均正答率は69.5%（Astrocytoma IDH-mutant：68.9 %，Astrocytoma IDH-wildtype：81.6%， Oligodendroglioma：64.5%）であり，Spatial Attention Mechanismのみを用いた場合の66.4%（51.7%，61.2%，76.4%）よりも高い値が得られた．現状，Perception branchに深層距離学習の一つであるArcFaceを用いている．今後，ArcFaceを改良したSub-center ArcFace，ElasticFaceを用いることで，更なる正答率の向上を目指す．また，少数サンプルで学習可能な手法について，引き続き検討を行う．
|
| 今後の研究の推進方策 |
提案ネットワークのPerception branchにおいて，深層距離学習の一つであるArcFaceを用いている．深層距離学習では，特徴空間において，同一クラスのサンプル間の距離は小さく，異なるクラスのデータ間の距離は離れるようにネットワークを学習させる．ArcFaceでは，入力データの特徴ベクトルと，入力データに対応するクラスの代表ベクトルとのなす角にAngular Margin Penaltyを追加することで，それら2つのベクトル間の距離が更に近づくようにネットワークを学習させる．この手法の問題点として，各クラスに代表ベクトルを１つしか定義しないため，外れ値の影響をうけやすいことが考えられる．そこで，各クラスに複数の代表ベクトルを定義するSub-center ArcFaceをネットワークに導入し，低悪性度グリオーマの分子サブタイプ分類の正答率を評価する．
|
