| 講演名 | 2018-02-20 回帰型CNNを用いたiPS細胞の分化・未分化検出 田中 孝二郎(広島大), ライチェフ ビゼル(広島大), 栗田 多喜夫(広島大), 玉木 徹(広島大), 金田 和文(広島大), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | あらゆる体細胞に分化できる万能性を持つiPS細胞は，再生医療の実現に向けて需要が高まっている．一方で，培養に手間がかかり，培養過程で細胞死や細胞分化がおきてしまうことから，細胞を大量生産することが困難であるという問題がある．そのためiPS細胞の培養を自動化するための課題の一つとして，細胞に起きる異常を検出することが挙げられる．本稿ではSemantic Segmentationによりこの問題の解決を試みる．従来のpatchベースの分類による手法ではpatch内のトポロジカルな情報が失われるという欠点があった．そこでpatchを複数の小領域に分割し，確率質量関数を計算して回帰によりこれを学習することで，構造的な情報を保持し精度を向上させる手法を提案する．iPS細胞のコロニー画像に加え，ISIC2017 Challengeで公開されたデータセットで検証を行なったところ，いずれの場合でも分類による従来手法より優れた結果が得られた． |
| 抄録(英) | Induced pluripotent stem(iPS) cells, which have the ability to differentiate into any other cell type in the body, are already revolutionizing medical therapy. Since a large number of undifferentiated human iPS cells must be prepared for use, the development of an automated culture system for iPS cells is considered to be crucial. Among the multiple procedures involve in the culture system, detection of good/bad cells and the subsequent elimination of bad cells appears to be one of the most important parts. In this paper we propose a method for detection of good/bad colonies of iPS cells by semantic segmentation. Instead of assigning a single class label to the whole patch, we divide local patches into sub-areas and calculate probability mass function(pmf) for each sub-area to preserve structural information, then learning is carried out by regression rather than classification. Experimental result on two dataset show that a CNN using the proposed method outperforms a classification-based CNN. |
| キーワード(和) | iPS細胞 / 回帰 / structural information / semantic segmentation / CNN |
| キーワード(英) | iPS cells / regression / structural information / semantic segmentation / CNN |
| 資料番号 | PRMU2017-164,CNR2017-42 |
| 発行日 | 2018-02-12 (PRMU, CNR) |
| 研究会情報 | |
| 研究会 | PRMU / CNR |
|---|---|
| 開催期間 | 2018/2/19(から2日開催) |
| 開催地（和） | 和歌山大学 |
| 開催地（英） | |
| テーマ（和） | 実世界情報処理、3D点群処理およびその応用 |
| テーマ（英） | |
| 委員長氏名（和） | 佐藤 真一(NII) / 小野 哲雄(北大) |
| 委員長氏名（英） | Shinichi Sato(NII) / Tetsuo Ono(Hokkaido Univ.) |
| 副委員長氏名（和） | 藤吉 弘亘(中部大) / 井尻 善久(オムロン) / 神原 誠之(奈良先端大) / 高汐 一紀(慶大) |
| 副委員長氏名（英） | Hironobu Fujiyoshi(Chubu Univ.) / Yoshihisa Ijiri(Omron) / Masayuki Kanbara(NAIST) / Kazunori Takashio(Keio Univ.) |
| 幹事氏名（和） | 大西 正輝(産総研) / 舩冨 卓哉(奈良先端大) / 坂本 大介(北大) / 吉岡 康介(パナソニック) |
| 幹事氏名（英） | Masaki Oonishi(AIST) / Takuya Funatomi(NAIST) / Daisuke Sakamoto(Hokkaido Univ.) / Kosuke Yoshioka(Panasonic) |
| 幹事補佐氏名（和） | 石井 雅人(NEC) / 菅野 裕介(阪大) / 水戸 和(セコム) / 小林 優佳(東芝) / 石原 達也(NTT) |
| 幹事補佐氏名（英） | Masato Ishii(NEC) / Yusuke Sugano(Osaka Univ.) / Wataru Mito(SECOM) / Yuka Kobayashi(Toshiba) / Tatsuya Ishihara(NTT) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Pattern Recognition and Media Understanding / Technical Committee on Cloud Network Robotics |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | 回帰型CNNを用いたiPS細胞の分化・未分化検出 |
| サブタイトル（和） | |
| タイトル（英） | Detection of Differentiated vs. Undifferentiated Colonies of iPS Cells Using CNN for Regression on Class Probability |
| サブタイトル（和） | |
| キーワード(1)（和/英） | iPS細胞 / iPS cells |
| キーワード(2)（和/英） | 回帰 / regression |
| キーワード(3)（和/英） | structural information / structural information |
| キーワード(4)（和/英） | semantic segmentation / semantic segmentation |
| キーワード(5)（和/英） | CNN / CNN |
| 第 1 著者 氏名（和/英） | 田中 孝二郎 / Kojiro Tanaka |
| 第 1 著者 所属（和/英） | 広島大学(略称：広島大) Hiroshima University(略称：Hiroshima Univ.) |
| 第 2 著者 氏名（和/英） | ライチェフ ビゼル / Bisser Raytchev |
| 第 2 著者 所属（和/英） | 広島大学(略称：広島大) Hiroshima University(略称：Hiroshima Univ.) |
| 第 3 著者 氏名（和/英） | 栗田 多喜夫 / Takio Kurita |
| 第 3 著者 所属（和/英） | 広島大学(略称：広島大) Hiroshima University(略称：Hiroshima Univ.) |
| 第 4 著者 氏名（和/英） | 玉木 徹 / Toru Tamaki |
| 第 4 著者 所属（和/英） | 広島大学(略称：広島大) Hiroshima University(略称：Hiroshima Univ.) |
| 第 5 著者 氏名（和/英） | 金田 和文 / Kazufumi Kaneda |
| 第 5 著者 所属（和/英） | 広島大学(略称：広島大) Hiroshima University(略称：Hiroshima Univ.) |
| 発表年月日 | 2018-02-20 |
| 資料番号 | PRMU2017-164,CNR2017-42 |
| 巻番号（vol） | vol.117 |
| 号番号（no） | PRMU-442,CNR-443 |
| ページ範囲 | pp.109-114(PRMU), pp.109-114(CNR), |
| ページ数 | 6 |
| 発行日 | 2018-02-12 (PRMU, CNR) |