教師なし深層学習を用いたMR画像の病変検出システムの開発

使用无监督深度学习开发 MR 图像病变检测系统

• 批准号: 21K12702
• 负责人: 松澤 等
• 金额: $ 2.41万
• 依托单位: Niigata University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (C)
• 财政年份: 2021
• 资助国家: 日本
• 起止时间: 2021-04-01 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-21K12702/
• 关键词: 人工知能; MRI; 教師無し学習; 異常検知; 深層学習

申請者らは、“教師なし異常検知”（Unsupervised Anomaly Detection）を臨床画像の学習に適用し、学習時は健常者画像のみを使うことで“健常脳の特徴分布”を学習し、学習の完了時には、その分布から外れているものを“異常、疾患脳”と判断するような人工知能をめざす新しいアプローチを目指している。“教師なし異常検知”（Unsupervised Anomaly Detection）では、学習時は健常者画像のみを使うことで潜在空間における“健常脳の分布”を学習し、学習の完了時にはその分布から外れているものを“異常、疾患脳”と判断するアプローチである。本研究では、正解データのみで学習したニューラルネットワークが様々な異常を検知、対応できる様な実用的なAIを作成することを目標としている。最終的に、“Generator”に対し、入力として疾患の画像を見せ、対応する潜在変数の空間に逆写像するようにネットワークを設計し、近似した潜在変数zを見つけたら、そこから今度は順方向に再生画像を作らせ、両画像の差異（再生誤差）を数値化し、“正常画像との相違を数値化することを目標とする。初年度である昨年度の研究内容として、まず、正常例のMR画像を用いて敵対生成ネットワークの学習訓練を安定しておこなうAIネットワークの構築を試み、幾種類かの敵対生成ネットワークのうち、DCGAN(Deep Convolutional GAN)、BEGAN (Boundary Equilibrium GAN)、Efficient-GANの三種について安定して学習が収束する様な実装を試すことで、特にBEGANについて安定した収束を実現することを確認できた。そのため続く令和4年度には残りの2つ、DCGAN(Deep Convolutional GAN)とEfficient-GANについて安定収束の実現をめざした。

Applicant: ら ら, "Teacher な な Anomaly 検 knowledge" (Unsupervised Anomaly. Clinical picture Detection) を の は health に し, learning is often the portrait の み を make う こ と で "often 脳 の 徴 distribution" を し, learning when finished の に は, そ の distribution か ら outside れ て い る も の を "脳 abnormalities, disease" と judgment す る よ う な artificial can know を め ざ す new し い ア プ ロ ー チ を refers し て い る. "Teachers な Anomaly 検 know" (Unsupervised Anomaly Detection) で は portraits, learning は health often の み を make う こ と で potential space に お け る "often 脳 の distribution" を し, learning when finished の に は そ の distribution か ら outside れ て い る も の を "脳 abnormalities, disease" と judgment す る ア プ ロ ー チ で あ る. This study で は, positive solution デ ー タ の み で learning し た ニ ュ ー ラ ル ネ ッ ト ワ ー ク が others 々 な abnormal を 検, 応 seaborne で き る others な be with the な AI を す る こ と を target と し て い る. Final に, "Generator" に し, seaborne into force と し て disorders の portrait を せ, 応 seaborne す る potential - count の space に inverse write like す る よ う に ネ ッ ト ワ ー ク を design し, approximate し た potential - see number z を つ け た ら, そ こ か ら today degrees は に along the direction of regeneration portrait を ら せ portraits, struck の differences (regeneration error) を the numerical し," The normal image と <s:1> contradicts the を quantification する とを とを target とする. Early annual で あ る yesterday annual の research content と し て, ま ず portraits, normal の MR を with い て enemy generated seaborne ネ ッ ト ワ ー ク の training を settle し て お こ な う AI ネ ッ ト ワ ー ク の build を み, a few species か の enemy generated seaborne ネ ッ ト ワ ー ク の う ち, DCGAN (Deep Convolutional GAN), BEGAN (a Boundary Equilibrium GAN), Efficient - GAN の three に つ い て settle し て learning が 収 beam す る others な be loaded を try す こ と で, に BEGAN に つ い て settle し た 収 を beam be presently す る こ と を confirm で き た. そ の た め 続 く make and 4 year に は residual り の 2 つ, DCGAN (Deep Convolutional GAN) と Efficient - GAN に つ い て settle 収 の beam be presently を め ざ し た.