| 研究課題/領域番号 |
23K11909
|
|---|
| 研究機関 | 立命館大学 |
|---|
研究代表者 |
檜作 彰良 立命館大学, 理工学部, 講師 (20822844)
|
|---|
| 研究分担者 |
正宗 賢 東京女子医科大学, 医学部, 教授 (00280933)
楠田 佳緒 東京医療保健大学, 医療保健学部, 助教 (00780131)
中山 良平 立命館大学, 理工学部, 教授 (20402688)
|
|---|
| 研究期間 (年度) |
2023-04-01 – 2026-03-31
|
| キーワード | Low Grade Glioma / 脳MRI画像 / Channel Attention / Spatial Attention / Deep Metric Learning |
|---|
| 研究実績の概要 |
本年度は，Spatial Attention Mechanismに加えChannel Attention Mechanismを追加したMulti-scale 3D Convolutional Neural Networks（MS-3DCNN）により，脳MRI画像（Magnetic Resonance Imaging）画像における低悪性度グリオーマ（LGG：Low Grade Glioma）の分子サブタイプを分類する手法を開発した．実験試料として，東京女子医科大学より提供された217患者のT1強調画像，T2強調画像，FLAIR画像（Astrocytoma IDH-mutant：58，Astrocytoma IDH-wildtype：49， Oligodendroglioma：110）を用いた．本研究では，我々の従来手法であるSpatial Attention Mechanismを用いたMS-3DCNNに対し，Channel Attention Mechanismを導入した新たなネットワークを構築した．Spatial Attention Mechanismは特定領域に重み付けしたAttention Mapを生成するのに対し，Channel Attention Mechanismは特徴マップのチャネル方向のAttentionであり，分類に寄与するチャネルに重み付けする．提案ネットワークはFeature Extractor，Attention Branch，Perception Branch で構成される．Feature Extractor は，脳腫瘍を含む関心領域 から異なる解像度の特徴マップを抽出した．次のAttention Branch では，腫瘍領域と分類に寄与するチャネルに重みを与えたAttention Map を生成した．そして，生成したAttention Map に基づき特徴マップに重み付けした．最後に，重み付けした特徴マップを用いたPerception Branch により，LGG を3 つの分子サブタイプに分類した．提案手法の平均正答率は69.5%（Astrocytoma IDH-mutant：68.9 %，Astrocytoma IDH-wildtype：81.6%， Oligodendroglioma：64.5%）であり，Spatial Attention Mechanismのみを用いた場合の66.4%（51.7%，61.2%，76.4%）よりも高く，提案手法の有用性が示唆された．
|
| 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
本年度は，我々の従来手法であるSpatial Attention Mechanismを用いたMS-3DCNNに対して，Channel Attention Mechanismを導入したネットワークを構築した．提案手法を実験試料に適用した結果，提案手法の平均正答率は69.5%（Astrocytoma IDH-mutant：68.9 %，Astrocytoma IDH-wildtype：81.6%， Oligodendroglioma：64.5%）であり，Spatial Attention Mechanismのみを用いた場合の66.4%（51.7%，61.2%，76.4%）よりも高い値が得られた．現状，Perception branchに深層距離学習の一つであるArcFaceを用いている．今後，ArcFaceを改良したSub-center ArcFace，ElasticFaceを用いることで，更なる正答率の向上を目指す．また，少数サンプルで学習可能な手法について，引き続き検討を行う．
|
| 今後の研究の推進方策 |
提案ネットワークのPerception branchにおいて，深層距離学習の一つであるArcFaceを用いている．深層距離学習では，特徴空間において，同一クラスのサンプル間の距離は小さく，異なるクラスのデータ間の距離は離れるようにネットワークを学習させる．ArcFaceでは，入力データの特徴ベクトルと，入力データに対応するクラスの代表ベクトルとのなす角にAngular Margin Penaltyを追加することで，それら2つのベクトル間の距離が更に近づくようにネットワークを学習させる．この手法の問題点として，各クラスに代表ベクトルを１つしか定義しないため，外れ値の影響をうけやすいことが考えられる．そこで，各クラスに複数の代表ベクトルを定義するSub-center ArcFaceをネットワークに導入し，低悪性度グリオーマの分子サブタイプ分類の正答率を評価する．
|
| 次年度使用額が生じた理由 |
研究進捗を考慮して，高性能コンピュータの購入を次年度に変更したため．
|
