深層学習によるメラノーマの自動診断システムの開発

点击翻译按钮获取中文摘要

本年度は深層学習によるメラノーマの自動診断システムの開発に向け、大きく3つの分野の研究開発を推進した。1つ目は3次元構造を持つハイパースペクトラルデータ(HSD)を深層学習にそのまま入力する手法の確立である。多くの分野で研究が進められている深層学習は、主に2次元のカラー画像を入力対象としているため、3次元構造を持つHSDはそのままでは適用できない。本年度は3次元畳み込み層を持つ3次元深層学習ネットワークを採用。本研究で蓄積されたHSDデータベースを用い訓練・評価することで、90%を超える正診率が得られている。今後はHSDに対する前処理やデータ加増の採用などで、正診率の向上を目指す。2つ目として、正確な病変部抽出技術の確立である。これまでの知見により、病変部を画像から抽出して診断に用いることで、正診率が向上することがわかっている。本年度はDeepLabV3+などの最新の領域抽出深層学習モデルを採用、これまでのu-netなどに比べ、領域抽出の正確性が向上することがわかってきている。今後は抽出画像による正診率の向上を目指す。3つ目は画像加増技術の確立である。メラノーマをはじめとした臨床情報は大量に収集することが困難であり、人工知能に必須なビッグデータを構築することが基本的にはできない。そこで貴重な臨床情報を水増しし、AIに訓練させる、いわゆる「データ加増」技術が必須となる。本年度はスタイル変換を用いたデータ加増に取り組んだ。スタイル変換とは、スタイル画像のスタイル（例えば浮世絵風など）を、その他の画像（例えば高層建築の写真など）に適用し、浮世絵のような高層建築の写真を合成する手法である。本研究では多人種の皮膚画像を病変画像に適用することで、様々な人種での病変画像を生成することに成功。これらによって診断システムの正診率向上を実現することが今後の課題である。