生成データを活用した医用画像解析

大規模なデータセットを整備することが難しい医用画像においては、データの少数性が人工知能開発における大きな障壁となっている。特に、データの少数性は、疾患の表現型の中でも、いわゆるロングテール部分に位置するuncommonな症例についての有効サンプル数を減少させる。そのため、診断支援システムの本来的なニーズが高いuncommonな症例に対して、深層学習モデルの識別性能を担保することが困難であった。本研究においては、生成データを活用した医用画像解析アルゴリズムの技術基盤を確立することで希少な症例を補完し、更に、患者のプライバシー保護、データセットのバイアスの解消、流通可能な医療データの作成などを実現する。特に、臨床医学においては高度に体系化された専門知が存在する。そこで、医師の知識を生成過程に直接反映させられるような、専門知と相補的な医用画像の生成アルゴリズムを開発することを目的とする。そのための要素技術の一つとして、我々は医用画像中の任意の解剖学的構造に対して、ユーザが自在に編集することを可能にするアルゴリズムを開発した。具体的には、自己教師ありセグメンテーションによって医用画像中の解剖学的構造に一致したセグメンテーション・ラベルを獲得し、このセグメンテーション・ラベルをユーザが編集することによって、任意の解剖学的構造を編集することが可能となった。この技術により編集された合成画像と、編集されていない本物の画像をランダムに臨床医に提示したところ、平均的には本物の画像と見破ることが困難なレベルでの医用画像の生成ができることを示した。

大規模なデータセットを整備することが難しい医用画像においては、データの少数性が人工知能開発における大きな障壁となっている。特に、データの少数性は、疾患の表現型の中でも、いわゆるロングテール部分に位置するuncommonな症例についての有効サンプル数を減少させる。そのため、診断支援システムの本来的なニーズが高いuncommonな症例に対して、深層学習モデルの識別性能を担保することが困難であった。本研究においては、生成データを活用した医用画像解析アルゴリズムの技術基盤を確立することで希少な症例を補完し、更に、患者のプライバシー保護、データセットのバイアスの解消、流通可能な医療データの作成などを実現する。特に、臨床医学においては高度に体系化された専門知が存在する。そこで、医師の知識を生成過程に直接反映させられるような、専門知と相補的な医用画像の生成アルゴリズムを開発することを目的とする。そのための要素技術の一つとして、我々は医用画像中の任意の解剖学的構造に対して、ユーザが自在に編集することを可能にするアルゴリズムを開発した。具体的には、自己教師ありセグメンテーションによって医用画像中の解剖学的構造に一致したセグメンテーション・ラベルを獲得し、このセグメンテーション・ラベルをユーザが編集することによって、任意の解剖学的構造を編集することが可能となった。この技術により編集された合成画像と、編集されていない本物の画像をランダムに臨床医に提示したところ、平均的には本物の画像と見破ることが困難なレベルでの医用画像の生成ができることを示した。