|
コンピュータ検出支援(CADe)システムの開発において，モダリティや検出病変の種類を横断した汎用的な自動開発手法に向けた基盤技術を構築する目的にむけて，複数の局所画像特徴量の自動生成に関する検討を行った．
この研究では，学習データが十分にない状態でのCADeシステム開発の可能性を考慮し，病変データの量によらない特徴量自動生成法という観点で検討を行った．
1つ目の検討は，正常(健常)な解剖構造のアピアランスデータのみを学習した深層畳み込みオートエンコーダ(Deep CAE)を用いた，異常検知的な特徴量生成である．正常な解剖構造のみ学習したDeep CAEは，正常データからは学習どおりに潜在変数抽出やデータ復元ができる一方で，学習済の正常パターンとは異なる病変パターンが入力された際には潜在変数抽出やデータ復元にずれが生じることを期待した．胸部CT上の肺結節および正常組織の画像パッチ認識問題を例に，Deep CAEによる自動生成特徴量を用いた認識性能検証実験を行った結果，提案法の有用性が確認された．この研究成果に関連して，国際会議1件および国内学会1件の発表を行った．
2つ目の検討は，同じく正常な解剖構造である解剖学的ランドマーク(LM)の高精度認識を実現する深層畳み込みニューラルネットワーク(Deep CNN)の転移学習である．CNNは，特徴量抽出器と識別器を併せ持ったモデルである．ある認識タスクで学習したCNNは，しばしば別認識問題を解くための特徴量抽出器として用いられる(転移学習の1種)．本研究は，複数LMを高精度認識するDeep CNNの学習により，医用画像処理に汎用的な特徴量抽出器が生成されることを期待したものである．実験的な検証の結果，97.2%の精度で20LMの認識を行うCNNを得るに至った．この研究成果は，2019年6月の国際会議で発表予定である．
|
