权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

Deep Learningを用いたデジタル病理画像からの遺伝子変異推定

使用深度学习从数字病理图像估计基因突变

基本信息

批准号：
16H06766
负责人：
河村大輔
金额：
$ 1.91万
依托单位：
Tokyo Medical and Dental University
依托单位国家：
日本
项目类别：
Grant-in-Aid for Research Activity Start-up
财政年份：
2016
资助国家：
日本
起止时间：
2016-08-26 至 2018-03-31
项目状态：
已结题

项目摘要

本研究では、Deep Learning（深層学習）を腫瘍のデジタル病理画像に適用することで、治療の選択に影響を与える遺伝子変異の有無を病理画像から推定し、遺伝子変異と相関する組織学的特徴を病理医が解釈可能な形で提示することを目指す。本年度は、Deep Learningの教師データを効率よく得るために、腫瘍を含む領域・含まない領域を手動で選択するためのGUIシステム（PathologyMap）を開発した。本システムは地図画像の表示用に開発され、病理医を含む多くのユーザに日常的に利用されているGoogle MapのAPIをベースに実装を行った。そのため、操作方法を学ぶための時間および開発期間が大幅に短縮され、短時間で多くの教師データを生成することが可能となった。本システムを用いて、申請者の研究室に所属する病理医が、実際のデジタル病理画像約３８０症例から腫瘍を含む領域・含まない領域を選択し、教師データを作成した。また、デジタル病理画像では画像サイズが一般画像と比較して極めて大きいため、入力画像の解像度を調整する必要がある。しかし、高倍率画像では複数の細胞からなる構造レベルの情報が失われ、低倍率画像では細胞レベルの情報が失われるという問題があった。そのため、低倍率から高倍率まで３種類の拡大倍率の画像を同時に学習する深層学習技術であるMulti-resolution Convolutional Autoencoderを開発した。本手法を実際のデジタル病理画像に適用し、単独の倍率のみから学習したモデルに比べて性能が向上することを示した。

This study focuses on the application of Deep Learning to pathological imaging of tumors, the influence of treatment options, and the presence or absence of genetic differences in pathological imaging, the estimation of genetic differences, and the correlation between histological characteristics and the possible shape of pathological solutions. This year, Deep Learning's teacher profile (PathologyMap) was launched. This article focuses on the development and application of Google Maps API in the daily use of Google Maps. The time and development period for learning and operation are greatly shortened, and the time for teaching and development is greatly shortened. The pathologist and the actual pathologist in the applicant's laboratory are selected from approximately 380 cases of tumors, including the field, and the teacher is selected. It is necessary to adjust the resolution of pathological images. The information of multiple cells is lost in high-magnification images, and the information of multiple cells is lost in low-magnification images. Deep learning technology for simultaneous learning of three types of images at high magnification, low magnification, and high magnification has been developed. The method is applicable to real time pathological imaging, and the magnification and learning performance of the method are improved.