| 研究課題/領域番号 |
16K16407
|
|---|
| 研究機関 | 京都大学 |
|---|
研究代表者 |
山本 詩子 京都大学, 情報学研究科, 特定助教 (70707405)
|
|---|
| 研究期間 (年度) |
2016-04-01 – 2019-03-31
|
| キーワード | ラベリング / 領域分割 / MRI / 拡散テンソル画像 / ボルツマン機械学習 / ベイズ推定 / 信念伝播法 |
|---|
| 研究実績の概要 |
研究期間の一年目である本年度は、MRI装置を用い拡散テンソル画像法と標準的な撮像法により得た脳のMRI画像から、ボルツマン機械学習とベイズ推定を用いて解剖学的な領域ごとにラベリングする手法を開発した。事前分布として考慮する医師の知識を活かした脳の空間的構造には標準脳に対して医師がマニュアルで作成したラベル画像を用いた。
拡散テンソル画像は生体内の水分子の拡散を画像化する手法であり、拡散の異方性の強さや、方向に依らない拡散の大きさなど、様々な拡散の要素を強調した画像を取得することができる。強調する組織の異なる上記画像データおよび空間的構造としてのラベル画像を学習してベイズ推定を行うことで個人脳をスライスごとに領域ラベリングした。これは領域ごとの形に依らず、1ボクセル単位で尤度の高い領域へと分割しつつ周辺のボクセルが所属する領域との兼ね合いがなるべく矛盾の無いように配慮して各ボクセルの領域を調整する手法である。事後確率は画像の特徴量ベクトルによる尤度と空間的構造による事前分布から成り立つとする。事後確率を最大化するように各ボクセルの領域を選択することにより、画像の特徴量ベクトルと空間的構造をどちらも考慮に入れたラベリングを行うことができる。
MRIで検出可能な脳の疾患があるとき、その異常は画像の輝度値やテクスチャ、また領域が配置される構造やその境界の曖昧さなどとして現れる。画像の輝度値に基づいてラベリングを行うことにより、その構造や境界、領域内部の輝度値の変化に対応した異常を検出することに貢献する可能性がある。本年度開発したラベリング手法は、体積の小さい領域のラベリングには精度の問題が残るものの、蓄積したMRI画像と医師の知識による脳の空間的構造に基づいて、脳疾患の自動検出を行う技術開発の重要な第一歩となった。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
研究期間1年目の研究計画である、拡散テンソル画像法を用いて撮像した脳画像データを学習することで画像特徴量と領域ラベルを関係付ける尤度関数を作成し、脳の空間的構造に関する医師の知識を事前分布としてボルツマン機械学習を実行したものを考慮することで個人脳のMRI画像をスライスごとに解剖学的領域にラベリングする手法を開発した。
一人一人の脳画像に対して医師がマニュアルでラベル画像を作成することは時間制約的に困難であるため、従来の標準化変形を用いてラベリングされた画像を答えラベルとして用いようとしたが、それでは従来手法の精度が本研究で開発する手法の精度に影響する。そこで、既存のラベリング手法を用いたソフトウェアでアトラス用として拡散テンソル画像法により撮像された標準脳の複数の脳画像をラベル画像と共に変換することで個人脳画像として用いた。個人脳を標準脳の形状に合わせて変形するために作成した変換マトリックスの逆変換マトリックスを用いて、標準脳を撮像して得られた複数の拡散テンソル画像（拡散の強さを表すFA画像、方向に依らない拡散の大きさを表すTrace画像、拡散の平均を表すDWI画像、拡散を計算するときの信号値の基準として用いるb0画像、FA画像と拡散テンソルの第一固有ベクトルから作られるcolormap画像）および標準的なMRI撮像法を用いたT1強調画像とT2強調画像、さらに標準脳に対して医師がマニュアルで高精度に作成したラベル画像を、個人脳の形状に合わせて変換した。撮像された脳画像を、脳の空間的構造を表すラベル画像と同じ変換マトリックスを用いて変形することにより、従来手法で個人脳の形状に合わせたラベル画像が従来手法の精度により正確に合っていないという問題を解決することができた。
以上の点において、本研究課題は当初の計画通りの手法開発を行うことができたと言える。
|
| 今後の研究の推進方策 |
今後の研究の進め方については計画通り、引き続き個人脳のMRI画像を解剖学的領域にラベリングする手法を改良しつつ、スパース推定を用いた領域ラベリングに重要な画像の撮像方法の検討を行う。前年度に開発したラベリング手法では、比較的少ない人数のMRI画像に対して全て空間的構造であるラベル画像が付与されているデータセットを用い、教師有り学習を行った。今後は、ラベル画像の無いより多くの脳のデータセットを用いた教師無し学習と組み合わせて、半教師有り学習を行うことによりラベルの推定精度の向上を図る。
スパース推定を用いたラベリング手法の改良については、まず拡散テンソル画像法により得られる複数の画像および、T1強調画像など一般的に診断に用いられる撮像方法により得られた複数の画像を用いて領域ラベリングを行った結果からスパース推定を用いて、本質的に重要な画像のセットを選び出す。医師の知見に一致するラベリング結果が得られる画像セットを選び出すことで、医師が真に重要視する要素を抽出することができる。
また、医師がMRI画像から目視により異常を検出する状況下においては、医師が画像全ての輝度値を比較評価することは考えにくく、領域の中で注目する部分や注目する画像を意識的または無意識に少なく絞って評価していると考えられる。これはラベリングを行う際にも同様の状況が考えられ、医師が事前の知識に基づいてマニュアルでラベル画像を作成する場合、全ての種類の画像および全ての空間的構造を同程度に考慮していないと考えられる。そこで画像の輝度値に基づいてラベリングを行う際にも、スパース推定を応用して、考慮する画像輝度値や空間構造を小数に絞り、医師が注目する特徴に基づいてラベリングをすることによって医師の感覚に近い領域分割およびラベリングができる手法へと改良を図る。
|
| 次年度使用額が生じた理由 |
本年度に得られた研究成果について内容をまとめて論文誌への投稿を行う予定であったが、研究代表者が所属機関の研究プロジェクトの都合により所属研究室を急遽異動することになったため、所属機関の研究プロジェクトに関する研究のまとめおよび引っ越し作業などにより論文誌への投稿を行う時間を確保出来なかった。したがって、論文の英文校閲料と論文誌への投稿料および論文投稿に関わる費用を次年度に繰り越す必要が生じた。
|
| 次年度使用額の使用計画 |
本年度に得られた研究成果について、内容を精査した上でまとめて論文誌への投稿を行う。次年度に繰り越す助成金は当該論文の英文校閲料と論文誌への投稿料および論文投稿に関わる費用に使用する予定である。
|
