敵対的生成ネットワークによる説明可能な3D-MRI画像識別モデルによる診断支援

点击翻译按钮获取中文摘要

医療画像判別用畳み込みニューラルネットワーク(CNN)と、画像条件（内容）の変換（描出）を行う巡回的敵対的生成ネットワーク(Cycle GAN)実行環境の整備を行った。実行環境には24GBのGPUボードを用いることとした。Cycle-GANの実行環境の整備および2次元画像についての実証は終了しており、一般的な顔画像の性別変換が行えることを確認しているが、データ数1000程度の場合十分な変換精度が得られないこと、変換の際に過学習のような現象（単純な明度変換のみなど）が確認された。また、胸部X線画像および脳MRI画像に対して既存の説明性手法として、Grad-CAMおよび画像の一部をマスキングするオクルージョンを用いる手法について検討した。MRI画像については、頭部T1強調画像、バイアス補正、線形標準化、脳領域セグメンテーション、全脳、白質、灰白質、脳髄液、非線形標準化、非線形標準化の変形場画像、非線形脳領域セグメンテーションの各画像についてCNNでの男女識別、および学習後モデルに対するGrad-CAMを行った。その結果、線形・非線形標準化後の画像において小脳、視床周辺、脳梁、脳幹が識別に寄与した部位として出力された。またオクルージョンを基にする手法においては、Harvard-Oxford atlasに基づいてFSL(FMRIB Software Library)を用いて48の皮質領域に分割した脳MRIのT1強調画像に対して、3D-CNNによる年齢の回帰を行ったモデル（決定係数0.75）について、縁上回、前頭極が比較的精度に寄与しているという結果になったが、他の部位との決定係数の差が大きくなく（0.4前後）、その説明性にはまだ検討が必要であるとの結果となった。また、アルツハイマー病の脳MRIデータセットADNIに対してGrad-CAMを行った結果では、形状などの低次特徴を認識している結果となり更なる検討が必要であることが分かった。