• 研究課題をさがす
  • 研究者をさがす
  • KAKENの使い方
  1. 前のページに戻る

少数サンプルで学習可能な深層学習モデルによる脳腫瘍の遺伝子推定法の開発

研究課題

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.

報告書

(1件)
  • 2023 実施状況報告書
  • 研究成果

    (1件)

すべて 2024

すべて 学会発表 (1件)

  • [学会発表] ChannelとSpatial Attention Mechanismを用いたMulti-scale 3D CNNによる脳MRI画像における低悪性度グリオーマの分子サブタイプ分類法2024

    • 著者名/発表者名
      小林慎平,檜作彰良,中山良平,楠田佳緒,正宗賢,村垣善浩
    • 学会等名
      電子情報通信学会技術報告
    • 関連する報告書
      2023 実施状況報告書

URL: 

公開日: 2023-04-13   更新日: 2024-12-25  

サービス概要 検索マニュアル よくある質問 お知らせ 利用規程 科研費による研究の帰属

Powered by NII kakenhi