| 研究領域 | 医用画像に基づく計算解剖学の多元化と高度知能化診断・治療への展開 |
|---|
| 研究課題/領域番号 |
15H01123
|
|---|
| 研究種目 |
新学術領域研究(研究領域提案型)
|
| 配分区分 | 補助金 |
|---|
| 審査区分 |
理工系
|
|---|
| 研究機関 | 奈良先端科学技術大学院大学 |
|---|
研究代表者 |
小野 直亮 奈良先端科学技術大学院大学, 情報科学研究科, 助教 (60395118)
|
|---|
| 研究期間 (年度) |
2015-04-01 – 2017-03-31
|
| 研究課題ステータス |
完了 (2016年度)
|
| 配分額 *注記 |
3,380千円 (直接経費: 2,600千円、間接経費: 780千円)
2016年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2015年度: 2,080千円 (直接経費: 1,600千円、間接経費: 480千円)
|
|---|
| キーワード | 医用画像解析 / Deep Neural Network / 遺伝子発現解析 / 生体生命情報学 / 組織画像検査 |
|---|
| 研究実績の概要 |
本研究では、肺がんの遺伝子発現が細胞の形状の表現型にあたえる影響を理解する為、さまざまながんを網羅した多元データベースであるThe Cancer Genome Atlas より肺腺癌の組織画像と遺伝子発現データを取得し、その関係性をモデル化した。画像認識には畳み込みニューラルネットワークをもちい、まず肺腺癌の組織画像からランダムに切り出したサンプルデータをもとに、教師なし学習である自己複合写像のネットワークの最適化を行い、情報量を1/16まで圧縮しても元の画像を効率よく再構成可能な特徴量ベクトルを抽出するネットワークを構築した。次に、抽出された特徴ベクトルをもとに、遺伝子発現プロファイルからクラスタリングによって得られた3種類のサブタイプを判別するモデルを学習した。通常の畳み込みニューラルネットワークでは局所的なピクセルの特徴に着目するため、肺腺癌の細胞パターンのような情報を分類するのは困難であったが、ネットワークの構造を多層化し、情報の縮約を繰り返することによって、多数の細胞の視野に含む2048x2048画素（およそ1mm角）の画像を入力データとして利用することを可能にし、異なる細胞の種類の分布といった統計的な情報も含めて学習させることにより、最終的に99.6%の高精度で肺腺癌のサブタイプを判別できることを示した。本研究で構築した深層学習モデルによる病理組織画像の特徴抽出システムは肺がんだけでなく多様な細胞画像の学習と分類に応用可能であると期待できる。
|
| 現在までの達成度 (段落) |
28年度が最終年度であるため、記入しない。
|
| 今後の研究の推進方策 |
28年度が最終年度であるため、記入しない。
|
