医用画像生成ニューラルネットワークにおける共通特徴と固有特徴の独立学習手法の開発

点击翻译按钮获取中文摘要

本研究の目的は、医用画像間に存在する共通特徴と固有特徴を活用し、少数教師データでの高い推論性能をもつニューラルネットワーク学習の実現である。放射性薬剤を生体に投与し生命現象を非侵襲的に画像化できるPET（陽電子断層撮影）やSPECT（単一光子放射断層撮影）にもとづく画像（以下、医用画像）から正確な診断情報を得るために、ニューラルネットワークにもとづく手法の研究が盛んである。現状の問題は、ニューラルネットワーク・モデルの肥大化（パラメータ数の増大）とそれに伴う計算量・教師データ数の増大である。ニューラルネットワークにおける効率的な学習を実現するために、教師データに存在する共通特徴と固有特徴を独立に学習し、各種病態パターンの画像を生成可能な敵対的生成ネットワーク（GAN）モデルの構築を目指している。今年度は、脳123I-IMP SPECT画像（64×64）を対象として手法の検討を行った。使用した教師画像は、３種類の解剖学的レベル（皮質、大脳基底核、小脳）について、正常例、片側性病変、両側性病変の3病態パターンからなる。これらの教師画像に存在する共通特徴と独立特徴を独立に学習するために、２つの生成器G1とG2を用意した。G1では、３種類の解剖学的レベルについて正常例のみで学習を行った。G1とG2を内部で使用する１つの生成器を構築した。指定された解剖学的レベルと病態パターンを有する画像を生成する学習過程においては、G1はパラメータ変更を不可とし、共通特徴を画像に付与する役割とした。G2は固有特徴を学習するため、G1の学習済みパラメータを初期値として学習を行った。教師画像と本研究による生成画像との間で、カウントの平均値および左右半球のカウント比を比較した。これらの統計値について、教師画像との差は概ね±10%であったが、小脳レベル片側性欠損のみ、教師画像との乖離が顕著であった。