Development of objective evaluation method for radiation pneumonitis

今年度は、法政大学尾川研究室の尾川教授と学生福士氏の協力により機械学習による肺臓炎範囲検出システムを構築した。放射線肺臓炎は症例が少なく学習データとして不足するため、公共に驪竜できるデータが多くあり病態が類似するコロナ肺炎で機械学習を進めた. 作成したモデルが放射線肺臓炎データにも有効なのかを検証した.目標達成のために, Pix2pix を利用した. 医療画像での機械学習においてこの手法を採用し肺領域抽出と疾患部抽出を分けて行う例も少ないため独自性があると考える. CT 画像の肺領域抽出モデルと肺領域抽出画像の疾患部抽出モデルの2 つのモデルを作成した.Generator は画像セグメンテーションに適した「U-Net」の構造とした。CT 画像をDICOM データのまま扱うと画素値の範囲が大きく扱うのが困難なため、事前に正規化した。モデルの性能評価を5×5 カーネルと4×4 カーネルで確認し, いずれも一定の性能を得られていた.このモデルについて、実際の放射線肺臓炎データについても評価したところ、患者の肺領域内でそれぞれ高線量線量を受けた領域と放射線肺臓炎発症後のデータにおいて疾患部領域抽出モデルを通した範囲とは良好な相関が得られた。

今年度は、法政大学尾川研究室の尾川教授と学生福士氏の協力により機械学習による肺臓炎範囲検出システムを構築した。放射線肺臓炎は症例が少なく学習データとして不足するため、公共に驪竜できるデータが多くあり病態が類似するコロナ肺炎で機械学習を進めた. 作成したモデルが放射線肺臓炎データにも有効なのかを検証した.目標達成のために, Pix2pix を利用した. 医療画像での機械学習においてこの手法を採用し肺領域抽出と疾患部抽出を分けて行う例も少ないため独自性があると考える. CT 画像の肺領域抽出モデルと肺領域抽出画像の疾患部抽出モデルの2 つのモデルを作成した.Generator は画像セグメンテーションに適した「U-Net」の構造とした。CT 画像をDICOM データのまま扱うと画素値の範囲が大きく扱うのが困難なため、事前に正規化した。モデルの性能評価を5×5 カーネルと4×4 カーネルで確認し, いずれも一定の性能を得られていた.このモデルについて、実際の放射線肺臓炎データについても評価したところ、患者の肺領域内でそれぞれ高線量線量を受けた領域と放射線肺臓炎発症後のデータにおいて疾患部領域抽出モデルを通した範囲とは良好な相関が得られた。