教師データ作成を不要とする医用画像向け深層学習モデル転用技術の開発

本研究の目的は，医用画像のセグメンテーションにおいて，教師データ作成の人的・時間的コストを削減でき，かつデータの秘匿性が求められる実臨床現場での運用に適した，「ソースデータなしドメイン適応技術」を確立することである．その中での当該年度の研究実施計画は，本研究の理論基盤を構築し基本方式を確立すること，そして5組程度のデータセットを用いてこの基本方式の有効性を確認すること，であった．最新の研究動向を調査する中で，ソースデータなしドメイン適応技術を更に発展させた，ブラックボックス型ドメイン適応技術（以下，ブラックボックス型と略す）が，画像分類の分野で研究され始めていることを確認した．ブラックボックス型は，より実臨床現場での運用に適した方式であると考えられるため（理由は「現在までの進捗状況」に記載），初年度である当該年度においては，画像セグメンテーションに対してブラックボックス型を適用し，性能検証を実施することとした．検証の結果，画像セグメンテーションに対して単純にブラックボックス型を適用した場合，ドメイン適応なしの場合と比較してあまりセグメンテーション性能が上がらないことを確認した．そこで，ブラックボックス型を適用する際に，深層学習モデルの重みパラメータを徐々に更新する方法を適用することを考案し，その結果，単純にブラックボックス型を適用する場合と比較して，セグメンテーション性能が向上することを確認した．またこの検証過程において，5組のドメイン適応検証用データセットを構築した．さらには，本検討内容をまとめて査読有り国際会議に投稿した（査読結果は未受領）．

本研究の目的は，医用画像のセグメンテーションにおいて，教師データ作成の人的・時間的コストを削減でき，かつデータの秘匿性が求められる実臨床現場での運用に適した，「ソースデータなしドメイン適応技術」を確立することである．その中での当該年度の研究実施計画は，本研究の理論基盤を構築し基本方式を確立すること，そして5組程度のデータセットを用いてこの基本方式の有効性を確認すること，であった．最新の研究動向を調査する中で，ソースデータなしドメイン適応技術を更に発展させた，ブラックボックス型ドメイン適応技術（以下，ブラックボックス型と略す）が，画像分類の分野で研究され始めていることを確認した．ブラックボックス型は，より実臨床現場での運用に適した方式であると考えられるため（理由は「現在までの進捗状況」に記載），初年度である当該年度においては，画像セグメンテーションに対してブラックボックス型を適用し，性能検証を実施することとした．検証の結果，画像セグメンテーションに対して単純にブラックボックス型を適用した場合，ドメイン適応なしの場合と比較してあまりセグメンテーション性能が上がらないことを確認した．そこで，ブラックボックス型を適用する際に，深層学習モデルの重みパラメータを徐々に更新する方法を適用することを考案し，その結果，単純にブラックボックス型を適用する場合と比較して，セグメンテーション性能が向上することを確認した．またこの検証過程において，5組のドメイン適応検証用データセットを構築した．さらには，本検討内容をまとめて査読有り国際会議に投稿した（査読結果は未受領）．