| 研究課題/領域番号 |
21K12702
|
|---|
| 研究機関 | 新潟大学 |
|---|
研究代表者 |
松澤 等 新潟大学, 脳研究所, 非常勤講師 (70303170)
|
|---|
| 研究分担者 |
杉山 拓 北海道大学, 大学病院, 講師 (70748863)
浦川 貴朗 新潟大学, 医歯学総合研究科, 客員研究員 (90770222)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2024-03-31
|
| キーワード | 人工知能 / MRI / 教師無し学習 / 異常検知 |
|---|
| 研究実績の概要 |
申請者らは、“教師なし異常検知”（Unsupervised Anomaly Detection）を臨床画像の学習に適用し、学習時は健常者画像のみを使うことで“健常脳の特徴分布”を学習し、学習の完了時には、その分布から外れているものを“異常、疾患脳”と判断するような人工知能をめざす新しいアプローチを目指している。
“教師なし異常検知”（Unsupervised Anomaly Detection）では、学習時は健常者画像のみを使うことで潜在空間における“健常脳の分布”を学習し、学習の完了時にはその分布から外れているものを“異常、疾患脳”と判断するアプローチである。本研究では、正解データのみで学習したニューラルネットワークが様々
な異常を検知、対応できる様な実用的なAIを作成することを目標としている。最終的に、“Generator”に対し、入力として疾患の画像を見せ、対応する潜在変数の空間に逆写像するようにネットワークを設計し、近似した潜在変数zを見つけたら、そこから今度は順方向に再生画像を作らせ、両画像の差異（再生誤差）を数値化し、“正常画像との相違を数値化することを目標とする。
初年度である昨年度の研究内容として、まず、正常例のMR画像を用いて敵対生成ネットワークの学習訓練を安定しておこなうAIネットワークの構築を試み、幾種類かの敵対生成ネットワークのうち、DCGAN(Deep Convolutional GAN)、BEGAN (Boundary Equilibrium GAN)、Efficient-GANの三種について安定して学習が収束する様な実装を試すことで、特にBEGANについて安定した収束を実現することを確認できた。
そのため続く令和4年度には残りの2つ、DCGAN(Deep Convolutional GAN)とEfficient-GANについて安定収束の実現をめざした。
|
| 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
令和4年度の研究として、三つあるネットワーク候補のうち残りの2つ、DCGANとEfficient-GANについて、比較的特徴のはっきりしたデータ（以後「toy problem」と呼称する）について、安定収束の実現を目指した。
特にEfficient-GANは、理論的には高速な処理が可能であるが、実際の臨床MRIデータについて実用的な安定度、実用的な収束結果が得られるかを検討した。
結果、DCGANは今回用いたtoy problemを用いても不安定であった。また、Efficient-GANについては、理論的には高速な処理が可能であるが、その安定性に関して引き続き改善が必要であった。toy problemではなく、実際のMRI臨床画像の特徴空間における“分布”は予想より変化に富み、収束は不安定でかつ時間がかかることがわかった。
少なくともBEGANについて、安定収束は確認できているので、計画全体の進行としては概ね順調に進展しているといえる。
|
| 今後の研究の推進方策 |
令和5年度は、最終年度として引き続き、安定したGeneratorの訓練が可能なシステムの構築を進めると同時に、実際の臨床画像について、異常画像の検知を安定して行うためのシステムの完成を目指す。
具体的には、前年度までに構築できた“安定した訓練が可能になったシステム”であるBEGANを用いて、潜在空間における正常画像と異常画像の分布間の「距離」を計測する。前年度までの研究結果により、特徴空間における実際の臨床画像の“分布”は予想より変化に富み、「toy data」に比べて収束に時間がかかることがわかったので、この部分の克服が令和5年度の研究推進の重要なポイントとなる。
同時に、DCGANとEfficient-GANについても継続的に安定収束を目指す。これらが順調に成功した時は、特徴空間において正常例と大きく距離を隔てる原因となっている画像の「異常部分」の可視化をめざす。
|
