|
本年の研究では、特に超音波画像から注目する組織を識別するために、異なる組織画像ごとに求めた2次元パワースペクトルからその組織に特徴的な周波数帯を選び出し、層状ニューラルネットワークを用いて学習的に分類し、組織ごとのセグメンテーションを行うことに重点を置いた。組織ごとに特徴的な画像の周波数成分の情報、すなわちテクスチャ情報の抽出には、2次元Gaborフイルタを用いた。このフイルタは空間と空間周波数の間に成立する不確定性原理の不等式の下限の等号を常に満たす唯一のもので、このフイルタを用いてフイルタリングすることで空間的/空間周波数的に最も局在化したテクスチャに関する情報を得ることができる。分類の対象となる組織群を含む反射強度像と、選択したGaborフイルタを適用して得られた画像を入力とした層状ニューラルネットワークを作成し、学習的に分類することで、学習データのサンプリングに用いた画像全体についてはほぼ完全に、また他の同部位画像に対する分類においても70〜80%程度の分類精度を得ることができた。この割合は、従来特徴として用いていた組織の非線形パラメータなどを加味すればさらに向上すると考えられる。
さらに、当初操作者の主観的判断で行っていた組織に特徴的な周波数帯の選択の自動化をGaborフイルタの帯域を決定するパラメータを学習的に獲得するという形で実現するKernel Modification Netという新たなニューラルネットワークモデルを提案し、同様に生体組織分類を行わせ、未学習の入力に対しては上記の方法と比較してより汎化能力の高い分類が行えることを示した。
|
