| 研究課題/領域番号 |
20K12065
|
|---|
| 研究機関 | 九州工業大学 |
|---|
研究代表者 |
大北 剛 九州工業大学, 大学院情報工学研究院, 特任准教授 (20615520)
|
|---|
| 研究分担者 |
有村 公一 九州大学, 医学研究院, 助教 (00638025)
飯原 弘二 国立研究開発法人国立循環器病研究センター, 病院, 病院長 (90270727)
|
|---|
| 研究期間 (年度) |
2020-04-01 – 2025-03-31
|
| キーワード | 深層学習 / マルチタスク学習 / ハイブリッドな入力に対する学習 / OR型の結合タスク / GAN / 物体検知 / 自己教師あり学習 / 分布外分布の問題 |
|---|
| 研究実績の概要 |
血腫の急成長の予測という時空間予測を, 血腫の急成長の時空間予測、機械学習の仮定が誤っているために発生する問題で取られるアプローチを加味する視点に分解して記述する. 前者の血腫の急成長の予測は、現在3つのパスを実行中である. 1つ目のパスは, 脳外科医の臨床で用いられる血腫マーカーという視点で、血腫マーカーをCT画像に発見する. このパスにおいては, 画像認識というパス以外に、物体検知というパス, GANによるデータ拡張を用いた画像認識というパス, 自己教師あり学習によるパスなどが存在することがわかり、マルチインスタンスやマルチタスク学習も関係することが判ってきた. 2つ目のパスは, CT画像やDPC/血液情報などから, 深層学習を用いて直接予測する(OR結合型のCNN). 3つ目のパスは, 患者によってまちまちなCT画像の撮影時刻(スポラディックな時系列)による時空間タスクとして予測する. 血腫マーカーの予測でのCT画像における脳血腫の認識が、セマンティックセグメンテーションタスクとのジョイント学習により精度向上したことを踏まえて拡張した。機械学習の仮定が誤っているために発生する問題で取られるアプローチを大幅に加味する視点での一つ目の視点は, ジョイント学習である. 上記のタスクそれぞれに対して、セマンティックセグメンテーションタスクとのジョイント学習が精度を向上しそうだと感じている(現状一部のみの実証完了). つまり, 物体検知, GAN, 自己教師あり学習, OR結合型のCNN, スポラディック時空間タスクのいずれにおいてもジョイント学習が精度を向上しそうだという感触である. 二つ目は, クラス不均衡問題, 分布外分布の問題は精度の向上結果を得た. 三つ目は, 共分散シフト問題, バイアスの問題, 因果関係を考慮した設定はまだ精度向上には至っておらず, 突破口を探す.
|
| 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
一つは、機械学習の仮定が誤っているために発生する問題で取られるアプローチを加味する視点において, セマンティックセグメンテーションとのジョイント学習という視点を発見できた. この視点は機械学習の仮定として述べられたことはなかったのでこの視点は我々の発見の一つである. この事実を整理すると, 我々のデータに基づいた認識タスクにおいては, 画像認識においても、物体検知に対しても, GANに対しても、OR結合のハイブリッドネットワークに対しても, 自己教師あり学習に対しても, この形の学習(セマンティックセグメンテーションとのジョイント学習)を適用することができる. つまり, 画像認識タスクの設定において, 何らかの機械学習の仮定が誤っているために, ジョイント学習が最終的なタスクに欠損した特徴を補完することにより, 性能改善を測るという仕組みがわかりつつある. 二つ目は, 血腫の急成長の予測という時空間予測をさまざまな方法で記述可能であることを順々に実験でき, それぞれのタスクで結果を出しつつある状態にまでできたことである. 全部を完了するまでには, まだ時間を要するが, 基本的なラインは出揃ったことである. 三つ目は, 機械学習の仮定が誤っているために発生する問題で取られるアプローチを加味する視点において, クラス不均衡問題, 分布外分布の問題は精度の向上結果を得た. 四つ目は, 共分散シフト問題, バイアスの問題, 因果関係を考慮した設定はまだ精度向上には至っておらず, 突破口を探す. 五つ目は, 高いコストのラベルづけ問題の軽減法として、弱教師あり学習を形成しようとしていることである.
|
| 今後の研究の推進方策 |
現在までの進捗状況で記述したもので現在実行できていない項目を重点的に推進する予定である. 一つは、セマンティックセグメンテーションとのジョイント学習という視点を深く掘り下げ、なぜ、この形の学習が, 画像認識タスクでも, 物体検知タスクでも, GANタスクなどの他のタスクでも, 同様に精度を改善するかということを機械学習の仮定が誤っていることと関連させて(もしくはマルチタスク学習と関連させて)説明する努力を行う予定である. 二つ目は, セマンティックセグメンテーションとのジョイント学習という視点を広げたい. セマンティックセグメンテーションではなく, 因果学習やハミルトニアンニューラルネットワーク(もしくはニューラルODE)など別の学習とのジョイント学習に広げて性能改善に繋らないか確かめたい. 三つ目は, 血腫の急成長の予測という時空間における現象の全体の精度を, 実用で見映えする精度まで上げることである. 四つ目は, 高いコストのラベルづけ問題の軽減法として、弱教師あり学習を形成しようとしている手法を完成させることである.
|
| 次年度使用額が生じた理由 |
コンピュータ科学での成果と医者の視点からのコメントは視点の定義が不明瞭で, コンピュータ科学での成果に対する過剰な評価も入っていた。これら2つのために, 最初の定義より、作業内容が減少したことと、プロジェクトの後期に後回しすべき内容が多かったことによる. 次年度に、学生を雇用する費用にこの分を追加する計画をしている.
|
