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

医学图像生成神经网络中共同特征和独特特征的独立学习方法的开发

• 批准号: 22K12771
• 负责人: 越野 一博
• 金额: $ 1.41万
• 依托单位: Hokkaido Information University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (C)
• 财政年份: 2022
• 资助国家: 日本
• 起止时间: 2022-04-01 至 2025-03-31
• 项目状态: 未结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22K12771/
• 关键词: ニューラルネットワーク; データ拡張; 敵対的生成ネットワーク; 少数例学習; SPECT; 画像生成; PETイメージング; SPECTイメージング

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。

本研究的目的是利用医学图像中存在的共同特征和独特特征，以少量的训练数据实现具有高推理性能的神经网络学习。通过基于 PET（正电子发射断层扫描）和 SPECT（单光子发射断层扫描）的图像（以下简称医学图像）获得准确的诊断信息，通过对活体施用放射性药物来实现生物现象的非侵入性成像。近年来，基于神经网络的方法的研究一直很活跃。当前的问题是神经网络模型的扩大（参数数量的增加）以及随之而来的计算量和训练数据量的增加。为了实现神经网络的高效学习，我们的目标是建立一个生成对抗网络（GAN）模型，该模型可以独立学习训练数据中存在的共同特征和独特特征，并生成各种病理模式的图像。今年，我们使用大脑 123I-IMP SPECT 图像 (64 x 64) 研究了该方法。教师使用的图像由正常病例、单侧病变和双侧病变三个不同解剖水平（皮质、基底节和小脑）的三种病理模式组成。两个生成器 G1 和 G2 准备独立学习这些教师图像中存在的共同特征和独立特征。在 G1 中，仅使用正常病例进行三种解剖水平的学习。我们构建了一个在内部使用 G1 和 G2 的生成器。在学习生成具有指定解剖级别和病理模式的图像的过程中，G1不允许改变参数，其作用是为图像添加共同特征。为了学习G2的独特特征，使用G1的学习参数作为初始值进行学习。我们比较了教师图像与本研究生成的图像之间的平均计数值和左右半球的计数比率。关于这些统计值，与教师图像的差异约为±10%，但与教师图像的偏差仅对于小脑水平的单侧缺陷是显着的。

项目成果

ヴュルツブルク大学(ドイツ)

维尔茨堡大学（德国）