|
本研究課題では，画像を対象とした深層学習において課題となることが多い，少数学習サンプルに対する学習サンプルの生成法の検討である．例えば医用画像認識において深層学習を利用した研究は数多くあり，従来の方法に比べて高い性能が得られているが，その多くは学習サンプルが十分に用意できないため，比較的小規模であったり，細胞画像のように多くの学習画像が得られやすい問題に限られている．本研究課題ではこれらの少数学習サンプル問題に対する正則化手法としてのデータ生成について，その効果的な利用方法を検討したものである．解決したことの１つは，X線CT画像からの転移性肝がん検出を対象として，様々な画像生成手法を組み合わせた場合の効果を示したことである．既存の病変領域をポアソンブレンディングにより合成したもの，CT画像においては類球形の低輝度領域であるという性質により生成したもの，および深層生成手法であるGAN（Generative Adversarial Networks）をそれぞれ適切に組み合わせることで病変検出精度を向上できることを示した．また，Conditional GANによって肝臓内における病変の位置（辺縁，内部）を考慮して病変を生成することでさらに検出精度が向上できることを示した．もう１つの主な成果は，回帰誤差を小さくするための学習サンプルの重点的生成手法の開発である．画像特徴による魅力度など人の知覚特徴の推定問題においては，推定対象となる対象の正解値を多く用意することができない．そのため，少数の学習画像から推定に有効な画像特徴を抽出する必要があった．これに対して基本的なデータ拡張手法の組み合わせにおける変動の範囲を適切に制御することで，未知データに対する推定誤差を小さくすることを示した．
|
