| 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 |
18H04746
|
|---|
| 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 |
|---|
| 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) |
2018-04-01 – 2020-03-31
|
| 研究課題ステータス |
完了 (2019年度)
|
| 配分額 *注記 |
5,200千円 (直接経費: 4,000千円、間接経費: 1,200千円)
2019年度: 2,600千円 (直接経費: 2,000千円、間接経費: 600千円)
2018年度: 2,600千円 (直接経費: 2,000千円、間接経費: 600千円)
|
|---|
| キーワード | 細胞内画像処理 / 生成器 / 識別器 / 深層学習 / 細胞画像のセグメンテーション / ディープラーニング / 画像認識 / 細胞画像 / セグメンテーション / 機械学習 |
|---|
| 研究実績の概要 |
まず、pix2pixと呼ばれる生成器と識別器という２つのディープラーニングを競い合わせながら生成の精度を向上させる方法の改良を行った。従来の方法では全クラスに対して１つの生成器と１つの識別器を用いていたが、クラス毎に生成器と識別器を用意する手法を提案した。もう１つの改良法を提案したが、その方法では複数の異なる識別器を用いた。生成器や識別器が複数あると見る所が違うので、両手法ともに細胞画像のセグメンテーションの精度を向上させることができた。
また、近年、人間の注意機構を模倣したattentionと呼ばれる方法がディープラーニングに導入され、精度の向上に寄与することが報告されている。従来はディープニューラルネットワークの各層毎にattention機構を導入していたが、我々は異なる層の持つ情報を利用してattentionを行う方法を提案した。さらに、上の層から下の層への情報をフィードバックしてattentionを決める方法にも取り組んだ。これらにより、従来よりも精度を向上させることに成功した。
また、ディープラーニングによりセグメンテーションの学習を行うと、最初は難しい箇所が全体に広がっているが、徐々に難しい箇所は物体間の境界に集中してしまう。そこで、難しい箇所を優先的に学習する方法を提案した。その結果、従来よりも少ない学習回数で高い精度が得られるようになった。また、ディープラーニングの中でも新しい枠組みであるCapsule networkを改良した細胞画像のセグメンテーションにも取り組んだ。
|
| 現在までの達成度 (段落) |
令和元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 |
令和元年度が最終年度であるため、記入しない。
|
