脳画像における精神疾患の特徴量抽出を可能にする汎用性の高い深層学習モデルの構築

点击翻译按钮获取中文摘要

本研究では、深層ニューラルネットワーク (Deep Neural Network; DNN) の情報の次元を削減し、その隠れた特徴量を抽出する長所を活かし、精神疾患脳画像研究に用いられる多モダリティの脳画像の次元削減・特徴量抽出を行う汎用性の高いDNNを構築し、このDNNの精神疾患の脳画像解析への応用を探索・検証することを目的とする。まずは、複数のデータセットを入手した。これには、統合失調症、双極性障害、自閉症、注意欠如多動症を持つ被験者及び健常被験者の構造MRI、安静時機能的MRIが含まれる。合計1500名以上の脳画像データの前処理を行い画像のクオリティチェックを行った。特に安静時機能的MRIは画像に体動などによるノイズが多く含まれるため、その除去の方法を複数パターン検証し、妥当なノイズ除去法を確立した。さらに、脳画像における撮像施設間差を軽減する深層学習モデルの開発を行った。具体的には、敵対的生成ネットワークの一種を用い、画像のスタイル変換を行った。このモデルによってある施設の脳画像を別の施設で撮像した脳画像に変換することに成功した。画像の特徴量及び抽出した脳画像の特徴量を用いて過去に開発された方法との比較検証を行い、開発した深層学習モデルがこれまでの方法に比べて、より施設間差を低下させることを確認した。以上に示したように、データのクリーンアップ法やクオリティチェック法を確立するとともに、深層学習モデルを用いた脳画像処理法の検証を進めている。