源田 達也, 小泉 憲裕, 大塚 研秀, 近藤 亮祐, 冨田 恭平, 西山 悠, 坂無 英徳, 熊川 まり子, 松本 直樹, 小川 眞広

Tatsuya GENDA, Norihiro KOIZUMI, Akihide OTSUKA, Ryosuke KONDO, Kyohei TOMITA, Yu NISHIYAMA, Hidenori SAKANASHI, Mariko KUMAGAWA, Naoki MATSUMOTO, Masahiro OGAWA

¹電気通信大学情報理工学研究科機械知能システム学専攻, ²電気通信大学情報理工学研究科情報・ネットワーク工学専攻, ³産業技術総合研究所人工知能研究センター人工知能応用研究チーム, ⁴日本大学医学部消化器肝臓内科

¹Department of Mechanical and Intelligent Systems, Graduate School of Informatics and Engineering, The University of Electro-Communications, ²Department of Computer and Network Engineering, Graduate School of Informatics and Engineering, The University of Electro-Communications, ³Artificial Intelligence Applications Research Team, The Artificial Intelligence Research Center, National Institute of Advanced Industrial Science and Technology, ⁴Division of Gastroenterology and Hepatology, Department of Medicine, Nihon University School of Medicine

キーワード :

【目的】
超音波Bモード画像による肝線維化の定量評価を目的としてテクスチャ解析が利用されている．これを行う際，Bモード画像上の肝領域から関心領域を選択する必要がある．このとき，血管領域をはじめとするアーチファクトが関心領域内に含まれると解析において誤差要因となることが知られている．そこで我々は，上記のアーチファクトを避けるように矩形の関心領域を手動で選択してきた．しかしながらこの方法では，解析を行うために十分な肝領域を確保できず，なおかつ解析者による人為的なばらつきも生じてしまう．そこで本研究では，テクスチャ解析のために十分な関心領域を確保すると同時に，アーチファクトに起因する解析誤差やばらつきを極力排除して，評価精度を向上するため，肝実質からアーチファクトを自動で分離する手法を確立することを目的とする．
【方法】
まず，肝臓の超音波Bモード画像上で医師が手動でアーチファクトを選択する．つぎに，この画像を任意のサイズに分割，アーチファクトと肝実質の2つのクラスに分離する．分割した各画像において同時生起行列，高次局所自己相関特徴などのテクスチャ特徴量，尖度，歪度，標準偏差などのヒストグラムを用いた特徴量を計算．アンサンブル学習の一つであるランダムフォレストによって得られた特徴量の重要度を測定する．最後に，前述の重要度によって肝実質とアーチファクトとの分離に用いる特徴量を決定，分類器の一つである線形サポートベクトルマシンを用いてアーチファクトと肝実質とを分離する．
【対象】
上記の手法でアーチファクトと肝実質とを分離する実験を行った．具体的に，高周波プローブを用いて，Depth6cmにフォーカスを設定，年齢不問，男女混合26名の正常肝の画像を対象に上記の方法で分離実験を行った．
【結果】
実験の結果，特徴量の重要度は，一部に集中してみられることが確認された．これを踏まえて得られた特徴量を用いて，アーチファクトと肝実質の分離精度を線形サポートベクトルマシンで測定したところ，80％程度の分離精度が達成された．
【考察】
分離精度は，選択する特徴量に大きく依存する．今後，必要に応じて適用する特徴量を追加あるいは削除することで，さらなる分離精度の向上を図るとともに，提案手法を肝実質のテクスチャ解析システムに実装することで，肝線維化をロバストかつ高精度に自動で定量評価するシステムの具現化を図る．