ニューラル非定常系列モデルの構築と医用データ応用

神经非稳态序列模型的构建及其在医学数据中的应用

基本信息

批准号：
21J13083
负责人：
原田翔太
金额：
$ 1.34万
依托单位：
Kyushu University
依托单位国家：
日本
项目类别：
Grant-in-Aid for JSPS Fellows
财政年份：
2021
资助国家：
日本
起止时间：
2021-04-28 至 2023-03-31
项目状态：
已结题

项目摘要

本研究員は当該年度，a)内視鏡画像からの潰瘍性大腸炎分類問題におけるラベルの時間連続性を活用した分類モデルの提案，b)クラスインバランスに頑健な半教師付きドメイン適応に関する研究に従事した．また，共同研究として病理画像を対象とした半教師付き学習やアクティブラーニングの研究にも携わった．研究業績としては，学術論文3編（筆頭1編，共著2編），国内発表が5件であった．主な成果は以下のとおりである．a)ラベルの時間連続性を活用した潰瘍性大腸炎分類モデル内視鏡画像は内視鏡を臓器の中で動かしながら連続して撮影するため画像系列として獲得される．内視鏡画像の撮影順序情報からは様々な特徴（系列内の画像間の依存関係，系列内の共通特徴など）の獲得が期待できる．本研究では，撮影順序情報から潰瘍性大腸炎分類に有用な特徴を自動的に獲得するために，Transformerに基づいた分類モデルを提案した．提案手法は内視鏡画像系列が入力され，潰瘍性大腸炎ラベルを出力する．実験結果から，画像系列として入力したことで精度が改善した．また，学習後のモデルを解析すると，画像系列内の共通特徴を抽出することが潰瘍性大腸炎分類の精度改善に有効であることが確認された．b)クラスインバランスに頑健な半教師付きドメイン適応半教師付きドメイン適応は，ターゲットドメインの少数サンプルのラベルを活用することで精度を大幅に改善するが，既存手法はデータセットのクラス比率が一定であることを仮定している．医用データをはじめとした実データの多くはクラスインバランスであるため，クラスインバランスに頑健な手法の提案が必要である．本研究ではクラスタリングを活用した半教師付きドメイン適応手法を提案し，クラスインバランスのあるデータセットであっても精度が改善できることを示した．

今年，该研究人员将a）提出一种分类模型，该模型利用标签的时间连续性来解决内窥镜图像中溃疡性结肠炎的分类问题，b）对对类别不平衡具有鲁棒性的半监督域适应进行研究。已订婚的。我还参与了病理图像半监督学习和主动学习的联合研究。研究成果包括学术论文3篇（作者1篇，合作作者2篇），国内发表论文5篇。主要结果如下。 a) 使用标签的时间连续性的溃疡性结肠炎分类模型内窥镜图像被采集为一系列图像，因为它们是在器官内移动内窥镜时连续拍摄的。我们可以期望从内窥镜图像的成像顺序信息中获得各种特征（例如系列内图像之间的依赖关系、系列内的共同特征等）。在本研究中，我们提出了一种基于 Transformer 的分类模型，从成像顺序信息中自动获取对溃疡性结肠炎分类有用的特征。所提出的方法接收内窥镜图像序列作为输入并输出溃疡性结肠炎标签。从实验结果来看，通过将其作为图像序列输入来提高准确性。此外，对训练模型的分析证实，提取图像序列中的共同特征可以有效提高溃疡性结肠炎分类的准确性。 b) 对类别不平衡具有鲁棒性的半监督域自适应半监督域自适应通过利用目标域中少量样本的标签来显着提高准确性，但现有方法在数据集中具有固定的类别比例。假设由于大多数真实数据，包括医疗数据，都存在类别不平衡，因此有必要提出一种对类别不平衡具有鲁棒性的方法。在这项研究中，我们提出了一种使用聚类的半监督域适应方法，并表明即使在类别不平衡的数据集上也可以提高准确性。