2018 Fiscal Year Annual Research Report
三次元CT画像を用いた多様な肺疾患対応の統合型コンピュータ支援診断システムの開発
| Project/Area Number |
17H02110
|
|---|
| Research Institution | Yamaguchi University |
|---|
Principal Investigator |
木戸 尚治 山口大学, 大学院創成科学研究科, 教授 (90314814)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
平野 靖 山口大学, 大学院創成科学研究科, 准教授 (90324459)
金 亨燮 九州工業大学, 大学院工学研究院, 教授 (80295005)
岡田 宗正 山口大学, 医学部附属病院, 准教授 (70380003)
間普 真吾 山口大学, 大学院創成科学研究科, 准教授 (70434321)
岩野 信吾 名古屋大学, 医学系研究科, 准教授 (90335034)
|
|---|
| Project Period (FY) |
2017-04-01 – 2020-03-31
|
| Keywords | コンピュータ支援診断 / ディープラーニング |
|---|
| Outline of Annual Research Achievements |
本研究の目的は，多様な肺疾患を対象として多列検出器型CT（MDCT）装置から得られる高精細な三次元画像データを利用した従来手法と比較して精度が高くロバストなコンピュータ支援診断（CAD）システムの開発をおこなうことである．このためには最近の人工知能研究で注目されているディープラーニング技術を用いてCADシステムの構築をおこなう．アルゴリズムの開発や評価のために，教師なし学習と半教師あり学習を用いた大規模な正解ラベル付きの画像症例データベースを整備する．さらに，実際の臨床現場での医師の容易な操作を想定してグラフィカル・ユーザインターフェースベースの肺疾患統合CADシステムを構築して臨床評価をおこない，アルゴリズム開発へフィードバックさせてシステムの性能向上をはかることを目的としている．
本研究においては，ディープラーニングを用いるために大規模な画像症例データベースとそれに対するラベル付け作業が必要である．画像症例の収集に関しては複数の大学からの症例の収集をおこない，またラベル付けに関しては複数の放射線科医によるラベル付け作業をおこなっているが，教師無し学習や半教師あり学習によるラベル付け作業の自動化にも取り組んでいる．アルゴリズムの開発として，画像分類に関してはConvolutional Neural Network（CNN）に加えてNeural Network Convolution（NNC）による評価をおこなった．さらに画像分類だけでなくConv-deconv net，Fully-convolutional network (FCN)，U-net, N-Netを用いてびまん性肺疾患や肺結節の領域抽出をおこなった．またGenerative Adversarial Network (GAN)を用いたびまん性肺疾患や肺結節に対する水増しをおこなった．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
また， residual unitを用いて深い層における学習の問題を改善したResidual U-Netも用いた．われわれが対象とした陰影は浸潤影，すりガラス陰影，蜂巣肺，肺気腫，粒状影の5つの陰影と正常肺である．結果は放射線科医のアノテーションと良く一致しており，すべての陰影でのDice係数の平均はU-Netの場合0.848±0.071，Residual U-Netの場合0.872±0.053と良好な一致率がえられた．ディープラーニングにおいては，数万の学習データが必要となる場合もあり大変な労力が必要となる．このために正解ラベルをつける作業の必要のない教師なし学習とよばれる手法が提案されている．教師なし学習は教師あり学習に比べてより多くの計算機資源が必要となるが，コンピュータが自ら診断基準を設けて診断するため，現在の教師あり学習による機械学習より一歩進んでいる． 高分解能CT（HRCT）画像のびまん性肺疾患陰影に対して，教師なし学習を用いて正常を含む6パターンに分類したわれわれの結果は72.8%であった．
われわれは三次元画像を対象としてDeconvNetとV-Netを用いた肺結節の領域抽出をおこなった．学習用画像としては放射線科医の指導のもとにアノテーションされて画像を用い，入力としては肺結節を中心として128×128×64画素に切り出されたものを用いた．DeconvNetとV-Netの抽出結果は放射線科医によるアノテーションとよく一致し，Dice係数ではそれぞれ0.740±0.012，0.810±0.016であった．
以上のとおり，現在までの達成度はおおむね順調に進展している．
|
| Strategy for Future Research Activity |
これからの研究の推進方策としては，まず今までのびまん性肺疾患や肺結節に対する抽出や分類の精度向上があげられるそのためには，大量のアノテーション画像が必要であり，放射線科医の作業負担を軽減するための手法の改良を試みる．その手法のひとつは教師無し学習と呼ばれる手法であり，コンピュータ自らが診断基準を定めて画像にラベル付けをすることが可能である．またこの手法の欠点を克服した半教師あり学習が提案されている．われわれはこのような教師なし学習と半教師あり学習を用いて大規模な正解ラベル付きの画像症例データベースを構築する．またGenerative Adversarial Network (GAN)を用いたびまん性肺疾患や肺結節に対する水増し手法を改良し大規模な正解ラベル付きの画像症例データベースを構築する．このようにして構築されたデータベースを用いて多様な肺疾患に対する支援診断を一元的に取り扱うために，われわれが既に着手している陰影パターン分類や類似画像検索を基盤としたコンピュータ支援診断技術にディープラーニングを適用する．これにより多様な肺疾患に対する診断精度をあげることができるだけではなく，医師が想定していなかった症例提示が可能になると期待される．また実際の臨床現場での医師の容易な操作を想定した肺疾患統合診断支援システムを構築して臨床評価をおこない，アルゴリズム開発へフィードバックさせて性能向上をはかる．
|
