| 講演名 | 2019-12-19 病理画像癌種別領域分割のための癌種比率を活用した学習手法 德永 宏樹(九大), 寺本 祐記(京大医学部附属病院), 吉澤 明彦(京大医学部附属病院), 備瀬 竜馬(九大/NII), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 本研究では，少数の教師データと大量の教師なしデータからの半教師あり学習に，癌種比率の弱教師を利用する問題設定及び手法を提案する．機械学習を用いた病理画像領域分割を行うためには，手作業により作成された大量の教師データが必要となる．癌種別領域分割のためには，癌種領域を示す画素単位の教師データが必要であるが，病理画像は一般画像と異なり解像度が非常に高いことや，領域の境界が不明瞭であることから，学習のための十分な正解データ量の確保が難しい．一方で，病理診断後の病理画像には，腫瘍領域中の癌種の成分比率が記録されており，領域分割のための教師情報より劣る弱教師情報を持ったデータであれば大量に存在する．そこで本研究では，癌種比率情報のみから低コストに大量の癌種領域を示す教師データを作成する手法を提案する．この手法によって作成された教師データは一定割合のノイズデータを含むが，ノイズ除去を高精度に行うSelNLPLを行いクリーンなデータを抽出することで，癌種別領域分割の精度向上を実現した． |
| 抄録(英) | We propose a new problem setting and method that uses cancer type ratio as weak supervision for semi-supervised learning. In order to perform pathological image segmentation using machine learning, a large amount of supervised data is required. In order to segment the image into cancer type region, the cancer type region is necessary. However, unlike a general image, a pathological image has very high resolution and the boundary between regions is unclear. Therefore, we propose a method to create supervised data from cancer type ratio information at low cost. |
| キーワード(和) | 病理画像解析 / 領域分割 / 半教師あり学習 / 弱教師あり学習 / 深層学習 |
| キーワード(英) | |
| 資料番号 | PRMU2019-50 |
| 発行日 | 2019-12-12 (PRMU) |
| 研究会情報 | |
| 研究会 | PRMU |
|---|---|
| 開催期間 | 2019/12/19(から2日開催) |
| 開催地（和） | 大分大学 |
| 開催地（英） | |
| テーマ（和） | アート・グラフィクス・コンテンツ制作・教育への応用 |
| テーマ（英） | |
| 委員長氏名（和） | 佐藤 洋一(東大) |
| 委員長氏名（英） | Yoichi Sato(Univ. of Tokyo) |
| 副委員長氏名（和） | 玉木 徹(広島大) / 木村 昭悟(NTT) |
| 副委員長氏名（英） | Toru Tamaki(Hiroshima Univ.) / Akisato Kimura(NTT) |
| 幹事氏名（和） | 入江 豪(NTT) / 牛久 祥孝(オムロンサイニックエックス) |
| 幹事氏名（英） | Go Irie(NTT) / Yoshitaka Ushiku(OMRON SINICX) |
| 幹事補佐氏名（和） | 内田 祐介(DeNA) / 山下 隆義(中部大) |
| 幹事補佐氏名（英） | Yusuke Uchida(DeNA) / Takayoshi Yamashita(Chubu Univ.) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Pattern Recognition and Media Understanding |
|---|---|
| 本文の言語 | JPN-ONLY |
| タイトル（和） | 病理画像癌種別領域分割のための癌種比率を活用した学習手法 |
| サブタイトル（和） | |
| タイトル（英） | |
| サブタイトル（和） | |
| キーワード(1)（和/英） | 病理画像解析 |
| キーワード(2)（和/英） | 領域分割 |
| キーワード(3)（和/英） | 半教師あり学習 |
| キーワード(4)（和/英） | 弱教師あり学習 |
| キーワード(5)（和/英） | 深層学習 |
| 第 1 著者 氏名（和/英） | 德永 宏樹 / Hiroki Tokunaga |
| 第 1 著者 所属（和/英） | 九州大学(略称：九大) Kyushu University(略称：Kyushu Univ.) |
| 第 2 著者 氏名（和/英） | 寺本 祐記 / Yuki Teramoto |
| 第 2 著者 所属（和/英） | 京都大学医学部附属病院(略称：京大医学部附属病院) Kyoto University Hospital(略称：Kyoto University Hospital) |
| 第 3 著者 氏名（和/英） | 吉澤 明彦 / Akihiko Yoshizawa |
| 第 3 著者 所属（和/英） | 京都大学医学部附属病院(略称：京大医学部附属病院) Kyoto University Hospital(略称：Kyoto University Hospital) |
| 第 4 著者 氏名（和/英） | 備瀬 竜馬 / Ryoma Bise |
| 第 4 著者 所属（和/英） | 九州大学/国立情報学研究所(略称：九大/NII) Kyushu University/National Institute of Informatics(略称：Kyushu Univ./NII) |
| 発表年月日 | 2019-12-19 |
| 資料番号 | PRMU2019-50 |
| 巻番号（vol） | vol.119 |
| 号番号（no） | PRMU-347 |
| ページ範囲 | pp.23-27(PRMU), |
| ページ数 | 5 |
| 発行日 | 2019-12-12 (PRMU) |