| 研究領域 | 共鳴誘導で革新するバイオイメージング |
|---|
| 研究課題/領域番号 |
16H01435
|
|---|
| 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 |
生物系
|
|---|
| 研究機関 | 名城大学 |
|---|
研究代表者 |
堀田 一弘 名城大学, 理工学部, 教授 (40345426)
|
|---|
| 研究期間 (年度) |
2016-04-01 – 2018-03-31
|
| 研究課題ステータス |
完了 (2017年度)
|
| 配分額 *注記 |
6,500千円 (直接経費: 5,000千円、間接経費: 1,500千円)
2017年度: 3,250千円 (直接経費: 2,500千円、間接経費: 750千円)
2016年度: 3,250千円 (直接経費: 2,500千円、間接経費: 750千円)
|
|---|
| キーワード | 細胞内画像処理 / 機械学習 / 粒子検出 / 粒子計数 / 対象追跡 / 粒子追跡 |
|---|
| 研究実績の概要 |
本年度は細胞核と細胞膜のセグメンテーションの研究に取り組んだ。細胞内画像処理ではEncoder-Decoder Convolutional Neural Networkの一種であるU-netという方法の有効性が示されている。U-netはEncoder部分の特徴量をDecorder部分でも再利用することにより、精度を高める方法である。しかし、形状が異なる細胞核と細胞膜を１つのU-netを用いて同時にセグメンテーションする場合、どうしても精度が低下してしまう。そこで、U-netのDecoder部分を改良し、細胞膜、細胞核、背景の３つの2クラス識別を行ってから3クラスのセグメンテーションを行うことににした。これにより、セグメンテーションの精度を改良した。
また、Generative Adversarial Networkの発展版であるpix2pixという方法を基に細胞核と細胞膜のセグメンテーションを行う研究も行った。pix2pixはGeneratorとDiscriminatorを競い合わせながら精度を高める方法であり、画像間の変換を学習することができる。顕微鏡画像と専門家が作成したセグメンテーション結果をpix2pixで学習させれば、画像からセグメンテーション結果への変換を学習できることになる。オリジナルのpix2pixを用いて複数解像度を用い、それらの結果を統合する方法や、生成器と識別器に工夫を加えることによりセグメンテーションの精度を高めた。
|
| 現在までの達成度 (段落) |
29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 |
29年度が最終年度であるため、記入しない。
|
