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

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。

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。