Children psychological disorder onset prediction using spatio-temporal statistical model

発達障害発症予測を行うため，新生児脳の３次元的形状およびその成長に伴う脳形状変形に注目した．本研究では特に，３次元的形状および脳形状変形の正常モデルを構築し，その正常モデルからの異常度判別により発達障害発症を予測する特徴量抽出を実施した．正常モデルとして，新生児脳形状３次元時空間統計的形状モデルを構築した．本年度における主な研究成果は，（A)新生児脳MR画像からの脳領域自動抽出法の提案，（B)カルマンフィルタを用いた時空間統計的形状モデル構築法の提案である．（研究実績A)においては，時空間統計的形状モデル構築に必要となる新生児脳３次元形状を，脳MR画像から自動で領域抽出を行う．提案手法はU-netによる深層学習法により行った．特に，学習データを容易に収集可能な成人脳MR画像を用いた転移学習法を導入することにより，学習データ収集が困難で，少数の新生児脳MR画像においても高精度に領域抽出が可能となることを明らかにした．（研究実績B）において，（研究実績A)で得られた新生児脳３次元形状を用いて行う．提案手法においては，３次元脳形状を符号付距離値画像に変換し，重み付き最尤法に基づく主成分分析を適用することで，３次元形状の個人間変動を統計的に抽出する．さらに，時間軸においてカルマンフィルタに基づく主成分軸ベクトルの推定を行うことで，滑らかで欠損値がない，時間的に変形する３次元正常モデルを構築できた．また，構築した新生児時空間統計的形状モデルで抽出した特徴量を用い，SVMの機械学習による発達障害発症予測法を示した．

発達障害発症予測を行うため，新生児脳の３次元的形状およびその成長に伴う脳形状変形に注目した．本研究では特に，３次元的形状および脳形状変形の正常モデルを構築し，その正常モデルからの異常度判別により発達障害発症を予測する特徴量抽出を実施した．正常モデルとして，新生児脳形状３次元時空間統計的形状モデルを構築した．本年度における主な研究成果は，（A)新生児脳MR画像からの脳領域自動抽出法の提案，（B)カルマンフィルタを用いた時空間統計的形状モデル構築法の提案である．（研究実績A)においては，時空間統計的形状モデル構築に必要となる新生児脳３次元形状を，脳MR画像から自動で領域抽出を行う．提案手法はU-netによる深層学習法により行った．特に，学習データを容易に収集可能な成人脳MR画像を用いた転移学習法を導入することにより，学習データ収集が困難で，少数の新生児脳MR画像においても高精度に領域抽出が可能となることを明らかにした．（研究実績B）において，（研究実績A)で得られた新生児脳３次元形状を用いて行う．提案手法においては，３次元脳形状を符号付距離値画像に変換し，重み付き最尤法に基づく主成分分析を適用することで，３次元形状の個人間変動を統計的に抽出する．さらに，時間軸においてカルマンフィルタに基づく主成分軸ベクトルの推定を行うことで，滑らかで欠損値がない，時間的に変形する３次元正常モデルを構築できた．また，構築した新生児時空間統計的形状モデルで抽出した特徴量を用い，SVMの機械学習による発達障害発症予測法を示した．