| 研究課題/領域番号 |
17K17680
|
|---|
| 研究機関 | 近畿大学 |
|---|
研究代表者 |
根本 充貴 近畿大学, 生物理工学部, 講師 (10451808)
|
|---|
| 研究期間 (年度) |
2017-04-01 – 2020-03-31
|
| キーワード | コンピュータ検出支援 / 畳込みニューラルネットワーク / 深層学習 / 転移学習 / Fine Tuning / 解剖学的ランドマーク |
|---|
| 研究実績の概要 |
3次元医用画像上における任意病変の画像パターンの認識を行う畳み込みニューラルネットワーク（CNN）について，解剖学的ランドマーク（LM）の局所画像パターンを利用した事前学習に関する初期検討を行なった．その成果の一部は，電子情報通信学会・医用画像研究会にて発表した．
検討した具体的内容は，①人間による手入力LM位置に基づいたLMの局所3次元画像パターンを用いたCNNの学習とLM認識精度の検証（症例数60）と，②我々が過去に提案した複数LM同時検出システムにより自動で得られるLM局所3次元画像パターンも学習データに加えたCNNの学習，LM認識精度の検証（症例数200）の二点である．どちらの実験的検討についても，先ずは認識対象のLMを数種類に限定して行った．
①については，認識対象を7種類のLMのみとし，畳み込み層とMax pooling層が2層ずつ，全結合層1層によるCNNの学習を行った．その結果，86%のLMクラス認識精度を実現するに至った．一方②については，手入力によるLM位置データの簡易な規模拡大を狙った試みであり，我々が過去に提案した複数LM同時検出システムを，大規模公開医用画像データベースの1つであるLIDC-IDRI database（1000例以上の有病胸部CT症例からなるデータベース）に適用し，自動検出したLM位置も用いてCNNの学習を検討したものである．しかし，現状では学習におけるTop-1 accuracyが40%程度にとどまっている．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
3: やや遅れている
理由
当初は，①約200クラスのLMを認識可能なCNNについて検討を行い，ある程度の認識精度を実現する，②CNNの初期学習データを500～1000例に増加（人間による手入力を伴う）させる予定であった．しかし，現状ではそこまでに至っていない．
主な理由は，研究代表者の所属機関が変更となったことである．現所属機関で本研究を遂行するための研究倫理申請，前所属機関との共同研究契約（前所属機関が保持管理する医用画像データの研究利用に不可欠）に時間を要したため，実質的な研究の開始時期が遅延してしまった．
現在は，それらの研究を妨げる状況が解決したため，研究遂行に支障は無いと考える．
|
| 今後の研究の推進方策 |
より多種類のLMを用いたCNNの事前学習について検討を進めると共に，CNN事前学習に用いるLM位置データの規模拡大を図る．また，CNNの事前学習に目処が付き次第，頭部MRアンギオグラフィー上の脳動脈瘤検出処理や胸部CT上の肺結節検出処理に事前学習CNNを適用し，その性能を評価する．
事前学習CNNの適用方法に関する検討は，①事前学習済のCNNパラメータを初期値として，任意の病変認識問題に再学習（Fine Tuning）する方法と，②事前学習済CNNの再学習は行わず，事前学習済CNNが出力する特徴量をSVMなどの異なる識別関数の学習に用いる方法（転移学習：Transfer Learning）の2通りを行う．
|
| 次年度使用額が生じた理由 |
次年度使用額が生じた理由は，研究代表者の所属機関の変更に伴う実質的な研究開始時期の遅延である．本研究には多くの医用画像データが必要だが，医用画像データは個人情報であるため，厳正なルール下での利用が義務付けられている．前所属施設で収集管理する医用画像データベースを現所属施設で利用するため，両施設間の共同研究契約や研究課題の倫理審査が必要であり，その締結等に時間を要した．
使用計画は，研究に用いる機械学習用教師データの作成（解剖学的ランドマークの入力作業など）に伴う謝金，研究や対外発表に用いるコンピュータやGPUなどの計算デバイスの購入，研究成果の学会発表に伴う旅費交通費等，論文発表に伴う投稿料や校閲料である．
|
