|
前年度までに行った脳の拡散MRIの実データおよびそのパラメタマップを用いた統計解析に基づき、生成型X-Ｑ空間学習（Synthetic X-Q Space Learning: synXQSL）のための学習データを合成する手法を確立した。また、DKIモデルに対して合成したデータを使用して学習およびパラメタ推定処理の基礎実験を行い、synXQSLの有用性を確認した。具体的成果は以下の２つである。
（１） XQ空間データ合成のためのパラメタ分布基底パターンの決定
前年度までに実データより得た信号値モデルのパラメタマップの統計解析により、3×3の局所領域における各パラメタの分布が2次までの多項式に相当する基底パターンの線形結合で十分表現できることがわかった。この観察に基づき、2次までの次数の多項式表現に相当する人工的な基底パターンを決定した。また、各パラメタは独立に局所パターンを発生させることとした。
（２）実際のXQ空間データ合成および学習・パラメタ推定処理の基礎実験
信号値モデルの各パラメタに対する基底パターンの線形結合係数を乱数で発生させ、3×3の各位置での各パラメタ、撮像設定値（MPG強度および方向）を信号値モデルの式に代入し、ノイズを付加することでX-Q空間データの合成を行った。これは従来のsynQSLと比較して単純には9倍の計算時間を要するため、並列計算を使用したX-Q空間データ合成のソフトウェアを開発した。また、DKIモデルを例として、synXQSLの学習およびパラメタ推定の処理に関する実験を行い、合成データによる実験において従来法であるsynQSLよりも高い頑健性を得ることが示された。現在も基礎実験を継続中であり、他のモデルや学習におけるチューニングなどの詳細な検討を行っている。
以上の成果は、日本医用画像工学会（JAMIT2024）にて発表予定である。
|
