| 研究課題/領域番号 |
23K19988
|
|---|
| 研究種目 |
研究活動スタート支援
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
1002:人間情報学、応用情報学およびその関連分野
|
|---|
| 研究機関 | 弘前大学 |
|---|
研究代表者 |
藤本 健二 弘前大学, 医学研究科, 特任助教 (40982442)
|
|---|
| 研究期間 (年度) |
2023-08-31 – 2026-03-31
|
| 研究課題ステータス |
交付 (2024年度)
|
| 配分額 *注記 |
2,860千円 (直接経費: 2,200千円、間接経費: 660千円)
2024年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
2023年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
|
|---|
| キーワード | 細胞認識 / 細胞セグメンテーション / 細胞トラッキング / 画像変換 / 細胞画像認識 / データ拡張 / 深層学習 |
|---|
| 研究開始時の研究の概要 |
バイオイメージングで得られる細胞画像から細胞の位置を推定する細胞画像認識は，生物学的解析のための重要なタスクである．細胞画像認識には深層学習が有効であるが，実験ごとに多様な細胞画像のそれぞれについて十分な「正解」(教師データ) を作成することは難しい．この問題に対し，本研究では，一般に公開されている物体認識のための教師付きデータセットを，細胞画像認識用に変換する方法を開発する．すなわち，画像変換の技術を応用し，元の画像の構造を保ちながら細胞の外観を「転写」する．得られた疑似細胞画像と元データの「正解」を用いることで，多種多様な細胞画像に適用できる汎用的な深層学習モデルが実現できると期待される．
|
| 研究実績の概要 |
顕微鏡観察で撮影された多種多様な画像から，計算機を用いて自動的に細胞を認識するタスクは，医学・生物学研究を進める上で重要である．細胞の認識では，深層学習が有用な方法論となる．本研究の目的は，深層学習による細胞画像認識に必要な大量の教師 (「正解」) 付きデータを，一般公開されている一般物体認識用のデータセットに対する画像変換によって生成する方法の開発である．これにより，専門家が大量の教師データを手作業で作成する必要がなくなり，深層学習の低コスト化が期待される．
令和6年度は，令和5年度に引き続き細胞のセグメンテーション，すなわち与えられた細胞画像について．各画素を細胞領域または背景に分類 (すなわち細胞のそれぞれと背景を塗り分け) するタスクに注力した．このタスクは，細胞の数や形態といった情報の抽出に重要な役割を果たす．当該年度は，一般物体のセグメンテーションデータセットとして Microsoft COCO (動物や乗り物等の画像のデータセット)，MinneApple (りんごの画像のデータセット)，Embrapa WGISD (ぶどうの画像のデータセット) 等を用い，画像変換によって擬似的な細胞画像データセットを合成した．合成データセットを実データセットと統合して細胞追跡用のセグメンテーションモデル Cellpose の深層学習用いた場合も細胞セグメンテーションの精度はほとんど向上しない結果となった．そこで，現在は単に深層学習の訓練データセットを拡張するのではなく，深層学習の方法自体を改良することで，より効果的な訓練の実現を目指している．
|
| 現在までの達成度 |
現在までの達成度
4: 遅れている
理由
研究代表者が雇用されていたプロジェクトに関連する業務の集中により，当初計画から遅延している．また，当初計画していた画像変換法の開発のみでは深層学習の精度向上が難しいことが明らかになりつつあるため，計画の変更を余儀なくされている．
|
| 今後の研究の推進方策 |
異動に伴い研究に割くエフォートを大きくできるようになったため，研究の遅れを取り戻そうとしている．また，「研究実績の概要」でも記したように，画像変換の方法だけでなく深層学習自体の方法も開発することで，画像変換を通じた細胞画像認識の精度向上を図る．
|
