Discovery Sagaサイレントキーワード俯瞰

機械学習 / CT / 被曝低減 / 深層学習 / 雑音除去

１）３次元胸部ファントムによる被曝低減技術の性能検証
昨年度は、2次元の深層学習（ディープラーニング）モデルを3次元に拡張し、臨床Computed Tomography (CT)で得られる3次元データを扱えるモデルにした。同時に、演算量削減手法の開発により、1回のCT検査のデータを高速に処理できるようにした。本年度は、精巧な胸部ファントム（京都科学社製）のCT像を、最低線量から最高線量まで（0.05-35 mSv）変化させて撮像した。次に、超低線量CT像（0.05, 0.1, 0.2 mSv）を入力画像、それに対応する最高線量CT像（35 mSv）を教師画像とし、3次元の深層学習モデルを学習した3次元の深層学習モデルは、３次元のカーネルを有し、カーネル内の３次元画素情報をニューラルネット回帰モデルの入力とする。入力は超低線量CTの３次元局所領域（カーネルと一致）の画素値、出力はそれに対応する高線量CT中の１画素の推定値である。学習は、教師画素と出力画素の二乗誤差が小さくなるよう、ニューラルネットの層間の重み係数を調整することにより行われた。すなわち、出力画像が教師画像として使われた高線量CT画像に近くなるように、学習が進んだ。学習後の深層学習モデルの性能を評価するため、学習後のモデルの出力画像（仮想高線量CT像）と本物の高線量CT像の画質を定量的に比較し、線量低減率を算出した。仮想高線量ＣＴ像と本物のＣＴ像の画質の関係を調べることにより、本手法で低減できる被曝線量を定量的に明らかにした。以上のように、本年度は、３次元胸部ファントムを用いて、3次元深層学習モデルによる被曝低減技術の性能検証を行った。

深層学習 / 機械学習 / CT / 被曝低減 / 雑音除去

１）画像出力型深層学習をベースとするCTのための被曝線量低減手法の開発
本研究で開発したCTのための被曝線量低減手法は，我々独自の深層学習をベースとし，学習と実行ステップから成る．学習ステップでは，超低線量で撮像されたCT像を入力画像，高線量で撮像されたCT像を教師画像に使い，深層学習モデルを学習する．深層学習は，ニューラルネット回帰モデル（NN）で構成され，入力は超低線量CT像の局所領域の画素値，出力はそれに対応する高線量CT像中の1画素の推定値である．学習は，教師画素と出力画素の誤差が小さくなるよう，NNの重み係数を調整することにより行われる．実行ステップでは，学習後のモデルに未学習の超低線量CT像を入力すれば，あたかも高線量で撮ったようなCT像（仮想高線量CT像）に変換できる．
CTデータの３次元化に伴い，深層学習モデルを３次元に拡張する場合，情報量の増大に伴う学習時間の増大が問題となる．２次元モデルの学習は，通常のPCにおいて約72時間を要した．３次元化すると情報量が10倍程に増える．この問題に対処するため，我々が以前に開発したLaplacian Eigenmapに基づく非線形入力次元削減手法を応用した．
２）3次元胸部ファントムによる被曝線量低減手法の性能検証
深層学習３次元モデルの学習と検証のため，精巧な3次元胸部ファントムを，CT装置の最低線量から最高線量までの複数の線量で撮像した．超低線量と最高線量のCT画像を入力画像と教師画像とし，深層学習モデルを学習した．本手法で低減できる被曝線量を定量的に明らかにするため，最高線量CT像を理想画像とし，出力CT像の画質をSSIM (Structural Similarity)を用いて評価した．仮想高線量CT像の画質と，実際に線量を変えて撮像したCT像の関係を調べることにより，本手法で低減できる線量を定量的に明らかにした．

【研究分担者】
粟井和夫	広島大学	医系科学研究科(医)	教授	(Kakenデータベース)
小尾高史	東京工業大学	科学技術創成研究院	准教授	(Kakenデータベース)