発達障害発症予測医療のための人工知能による医用画像ビックデータ解析

点击翻译按钮获取中文摘要

2017年度に，脳形状位置合わせにより取得した各被験者の脳形状特徴ベクトルを用いて，EMアルゴリズムに基づく重み付き主成分分析により新生児脳時空間統計的形状モデルを構築した．構築結果から，時空間統計的形状モデルにより，複数の脳成長パターンを数値モデル化できることを明らかにした．しかし，構築したモデルの特徴ベクトルの各要素が，任意時点間で対応づいていない可能性があった．そこで，時系列フィルタを用いた任意時点間での特徴ベクトルの平滑化によりベクトル要素同士の対応づけを行う方法を構築した．構築手法では高精度な平滑化結果を得るために時系列方向に対してより密なデータが必要であり，実験実施時点での新生児被験者数（12名）では不十分であることが明らかになったため，収集済みの新生児被験者45名について脳領域自動抽出法を提案した．手動での脳MRI脳領域抽出には膨大な時間を要するため（1データ/日），上記の脳領域抽出済み被験者数不足解決のため，深層学習による新生児脳MRIセグメンテーション法を構築した．深層学習には医用画像セグメンテーションに広く用いられるU-netを改良したネットワークを使用し，学習データ不足（新生児脳MR画像12件）を補うためIXIデータセット（成人脳MR画像578件）を用いた転移学習を行った．転移学習により最終2層を再学習することで，領域の重複度合いを評価できるダイス係数が新生児脳学習データに対して0.902，検証データに対しては0.833の高い精度で脳領域を抽出できることを確認した．上記の研究成果を国際シンポジウム8th ISMHT，パーティクルフィルタ研究会で報告した．