深層学習と逐次近似法を組み合わせたハイブリッド画像再構成法の開発
【研究キーワード】
深層学習 / 画像再構成 / 画像変換 / モダリティ変換
【研究成果の概要】
本研究では、深層学習とCTの画像再構成法である逐次近似法を組み合わせた手法を研究している。これまでの研究で、逐次近似アルゴリズムに深層ニューラルネットを組み込む作業をすでに完了している。昨年度は、画像生成を行うGeneratorと最適化の正則化項として導入したDiscriminatorの事前学習のため、画像変換に関する研究を行っていた。そこでは、放射線治療に用いられるTomoTherapyに内蔵されたMVCTの画質改善を目的として、MVCTからkVCTへの変換を行った。本年度は、独自に開発したGround Truthが存在しない場合でも適用可能な定量的画質指標を用いて画質を評価し、さらに医師による囲いの評価など臨床的な評価も行った。その結果、我々のモデルは既存のCycleGANと呼ばれるモデルと比べて変形が少なく、構造保存において高い性能を示した。また、我々のモデルによって画質改善したMVCT画像において、医師による囲いの精度が元のMVCT画像と比べて統計的に有意に改善した。画像変換によるこれらの成果を論文にまとめ、Medical Physicsに出版された。
ここで事前学習されたGeneratorとDiscriminatorを組み入れて画像再構成モデルの構築を行った。また、再構成モデルにおいてはGeneratorの最終出力と投影データとの整合性をコスト関数としていたが、モデルの安定的な学習のために、Generator内の各層の出力と投影データとの整合性もコスト関数として加えた。
【研究代表者】
【研究種目】基盤研究(C)
【研究期間】2019-04-01 - 2023-03-31
【配分額】3,510千円 (直接経費: 2,700千円、間接経費: 810千円)