細胞診断システムにおける円形度に着目した領域分割の改善

カテゴリ: 部門大会

論文No: PS1-10

グループ名: 【C】2023年電気学会電子・情報・システム部門大会

発行日: 2023/08/23

タイトル(英語): Improvement of Semantic Segmentation Using Circularity on Medical Image Classification Systems

著者名: 巨島 弘基（徳島大学）,谷口 拓也（徳島大学）,河原田 理愛（徳島大学）,尾矢 剛志（徳島大学）,常山 幸一（徳島大学）,大野 将樹（徳島大学）,獅々堀 正幹（徳島大学）

著者名(英語): Hiroki Kojima (Tokushima University),Takuya Taniguchi (Tokushima University),Rie Kawaharada (Tokushima University),Takeshi Oya (Tokushima University),Koichi Tsuneyama (Tokushima University),Masaki Oono (Tokushima University),Masami Shishibori (Tokushima University)

キーワード: 深層学習|セマンティックセグメンテーション|領域分割|細胞診断システム|尿細胞診|Deep Learning|Semantic Segmentation|Region Segmentation|Cytodiagnosis System|Urinary Cytology

要約(日本語): 深層学習モデルを用いた細胞診断システムでは，細胞画像内の細胞核と細胞質を領域分割するために，U-netなどに代表されるSemantic Segmentationモデルが用いられる．一般に，Semantic Segmentationモデルを導入する際には，大量の学習用画像が必要になる．本研究では，細胞診断システムに特化した損失関数を導入することで，少ない学習用画像においても高い分類精度が得られる手法を提案する．従来のU-netなどのSemantic Segmentationモデルでは，損失関数として二乗和誤差や交差エントロピー誤差を用いており，教師データと生成データとの誤差のみを最適化していた．本手法では，細胞核の形状が円状であることに着目し，画像処理で用いられる円形度の尺度を損失関数に導入することで精度を向上させることに成功した．