2019 Fiscal Year Research-status Report
深層学習とディープGMDH型人工知能技術による医用画像診断と感性工学への応用
Project/Area Number |
18K04206
|
Research Institution | The University of Tokushima |
Principal Investigator |
高尾 正一郎 徳島大学, 大学院医歯薬学研究部(医学域), 准教授 (30363146)
|
Co-Investigator(Kenkyū-buntansha) |
上野 淳二 徳島大学, 大学院医歯薬学研究部(医学域), 非常勤講師 (60116788) [Withdrawn]
近藤 正 徳島大学, 大学院医歯薬学研究部(医学域), 名誉教授 (80205559) [Withdrawn]
|
Project Period (FY) |
2018-04-01 – 2021-03-31
|
Keywords | 深層学習 / 医用画像診断 / GMDH型人工知能技術 |
Outline of Annual Research Achievements |
本研究では、人工ニューラルネットワーク(NN)の新しい理論である深層学習(CNN)とディープGMDH-typeニューラルネットワーク(Deep GMDH-type NN)を組み合わせたHybrid型人工NNを開発している。Deep GMDH-type NNの数学的なアルゴリズムとしては、3種類のアルゴリズム(フィードフォワード多層型GMDH-type NNアルゴリズム、フィードバック型Deep GMDH-type NNアルゴリズム、ロジスティック型Deep GMDH-type NNアルゴリズム)を、平成30年度と令和元年に開発を行った。これらのアルゴリズムを頭部MRIと腹部X線CT画像の画像解析に応用した。頭部MRIの解析では、脳の実質、白質、脳室領域の3領域を各々の領域に対して、開発したHybrid型人工NNにより画像認識と領域抽出を行い、学習データが少ない場合でも高精度な画像認識結果を得た。また、腹部X線CTの解析では、肝臓、胃、脾臓、骨領域などの4領域を各々の領域に対して、画像認識と領域抽出を行い、学習データが少ない場合でも高精度な画像認識結果を得た。Deep GMDH-type NNの内部では、入力変数のすべての組み合わせを発生させて、有益な変数の組み合わせのみを自己選択してDeep NN構造を、予測誤差評価基準を最小にするように自動的に自己組織化している。このために、Deep NNの、中間層の個数や、各層のニューロン数、有益な入力変数などのハイパーパラメータを自動的に自己選択できる。また、Deep NNの種類としては、シグモイド関数型、ラジアルベース関数型、多項式型Deep NNの3種の中から、対象の非線形システムの特徴に最も適したDeep NNの型をAICやPSSを最小にするように自己選択できる。このため、医用画像診断において、高精度な画像認識結果を期待できる。
|
Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
平成30年度と令和元年に、深層学習(CNN)とディープGMDH-typeニューラルネットワークを組み合わせた、3種類のHybrid型人工ニューラルネットワークの開発を行って、頭部MRIの画像解析と腹部X線CT画像解析に応用した。頭部MRI画像解析では、脳の実質領域、白質領域、脳室領域などの画像認識とその領域抽出を行い、良好な解析結果を得た。また、腹部のX線CT画像の解析では、肝臓領域、胃領域、脾臓領域、骨領域などの腹部の臓器の領域の画像認識とその領域抽出を行い、良好な解析結果を得た。これらの研究成果を国内の学会(人工知能学会)や国際会議で発表した。
|
Strategy for Future Research Activity |
平成30年度と令和元年に、深層学習(CNN)とディープGMDH-typeニューラルネットワークを組み合わせた、3種類のHybrid型人工ニューラルネットワークの開発を行ったので、開発した3種類のHybrid型人工ニューラルネットワークを用いて、令和2年度は、胸部の臓器の医用画像認識とその領域抽出を試みて、画像認識精度の向上とアルゴリズムの改良を行う。対象の医用画像としては、胸部のX線CT画像で、胸部の臓器(心臓、肝臓、骨など)の画像認識とその領域抽出を行う。そして、3種類のHybrid型人工ニューラルネットワークを用いて得られた画像解析結果を比較検討することにより、どのようなタイプのディープニューラルネットワークが胸部X線CT画像解析に有効かを調べる。さらに、本研究のまとめとして、本研究で得られた、頭部MRI画像解析による研究結果と、腹部X線CT画像解析の研究結果、および胸部X線CT画像解析の研究結果を比較検討して、頭部、腹部、胸部のいろいろな臓器に対して、自己選択された入力変数(画像特徴量)、ディープニューラルネットワークの種類(シグモイド関数型、ラジアルベース関数型、多項式型)、中間層の層数などが得られた計算過程を詳しく解析し、医用画像解析に人工知能を応用する場合に、どのような数学的な人工知能アルゴリズムが適しているかを比較検討する。
|
Causes of Carryover |
3月に物品を納入したが、支払いが4月になったため。
|
Research Products
(4 results)