当社と公立大学法人福島県立医科大学は、2019年より胸部X線画像に対するAIによる異常検知の実用化に向けた共同研究に取り組んでいます。

この共同研究は、読影医の負担軽減を目的として、ディープラーニング(深層学習)を用いてX線画像から肺がんの疑いがあるものを推定する取り組みです。福島県保健衛生協会から提供を受けた853枚（正常401枚＋肺がん疑い452枚）の胸部X線の画像データを教師データとして用い、ディープラーニングにより肺がん疑いを推定し、ROC-AUC^*1 0.80を達成しました。この検出精度は、同じくディープラーニングを用いて肺疾患の推定を試みたRajpurkarらの先行研究^*2における、X線画像での見え方が肺がんに近い結節の検出精度ROC-AUC 0.78に匹敵します。今後も実用的な精度の達成に向け、データの拡充や医学的知見の活用を予定しています。

この共同研究においては、Rajpurkarらの先行研究^*2を参考に、説明可能なAIの1手法であるCAM（Class Activation Mapping）を利用してディープラーニングの判断における注目領域の可視化についても試みました。下図左側の画像は、ChestX-ray14^*3にて結節に分類されるデータであり、当社の試行においても疾患の疑いがあると判定されたものです。読影医により疾患の疑いがあると判断された領域を青丸で示しました。同じ画像を入力としてAIが判定の際に注目した領域を CAMにより可視化した結果が下図右側の画像です。青色部分は反応が弱い部分、赤色部分は反応が強い部分を示しています。肺の疾患の疑いがあると読影医によって判断された箇所を含む胸の中央領域に、AIが強く注目したことが確認できます。

※ChestX-ray14^*3の胸部X線画像に、当社が加工を行ったもの。

1. *1ROC-AUC（Area under an ROC curve）：二値分類における評価指標。横軸に偽陽性率（陰性データのうち、陽性と予測したデータの率）、縦軸に真陽性率（陽性データのうち、陽性と予測したデータの率）を取ったROC曲線の下側面積であり、0から1の値を取る。1に近いほど精度が高く、完全ランダムの場合0.5となる。
2. *2Pranav Rajpurkar, Jeremy Irvin, Kaylie Zhu, Brandon Yang, Hershel Mehta, Tony Duan, Daisy Ding, Aarti Bagul, Curtis Langlotz, Katie Shpanskaya, Matthew P. Lungren, Andrew Y. Ng, "Chexnet: Radiologistlevel pneumonia detection on chest x-rays with deep learning." arXiv preprint arXiv: 1711.05225 (2017)
3. *3ChestX-ray14: National Institutes of Health (NIH)のNIH Clinical Centerにより提供されている胸部X線データセット(https://nihcc.app.box.com/v/ChestXray-NIHCC)。Xiaosong Wang, Yifan Peng, Le Lu, Zhiyong Lu, Mohammadhadi Bagheri, Ronald Summers, "ChestX-ray8: Hospital-scale Chest X-ray Database and Benchmarks on Weakly-Supervised Classification and Localization of Common Thorax Diseases." IEEE CVPR, pp. 3462-3471, 2017

左右スクロールで表全体を閲覧できます

工場の製造ラインでの異物混入や汚れの付着、損傷箇所の発生等による不良品を検出する外観検査においては、異常データを網羅的に取得することは多くの場合困難です。

このようなケースにおいて、正常データのみを学習させて正常／異常データを判別する「良品学習」という手法が考案され、その一つに、画像の次元圧縮及び再構成を利用した方法があります。これは、正常データを用いて学習した次元圧縮・再構成構造を利用すると異常個所も正常な状態に再構成される傾向を利用して異常を検知します。

当社では、次元圧縮・再構成の構造にAuto EncoderやDenoising Auto Encoder、pix2pix等を用いた異常検知について検証を進めています。なかでもpix2pixを用いた方法では、電子基板を模した模擬画像の異常検知試行において、分類の指標であるROC-AUC^*1がシミ状欠陥に対して0.934, 糸くず状欠陥に対して0.948となり、異なる傾向の異常に対してともに高い異常検出性能を示しました。

※正常パターンがあまり複雑でない状況等、精度を得るには条件があります。

1. *1ROC-AUC（Area under an ROC curve）：二値分類における評価指標。横軸に偽陽性率（陰性データのうち、陽性と予測したデータの率）、縦軸に真陽性率（陽性データのうち、陽性と予測したデータの率）を取ったROC曲線の下側面積であり、0から1の値を取る。1に近いほど精度が高く、完全ランダムの場合0.5となる。

左右スクロールで表全体を閲覧できます

警察庁科学警察研究所の顔画像の加齢化技術の研究に対して、画像解析、形状解析およびシステム化を支援しました。科学警察研究所と当社は、同一人物の経年変化を10年単位で計測した約150名分のデータを含む、約800名の三次元形状と顔テクスチャからなる三次元顔画像を元に機械学習を行いました。

初めに、三次元顔画像データから作成したさまざまな角度の二次元顔画像データを組み合わせて機械学習を行い、三次元画像と二次元顔画像の関係性を学習させることで、二次元の顔画像から三次元の顔画像を推定するモデルを開発しました。また、顔の特徴と加齢変化について機械学習を行い、顔の三次元形状と顔テクスチャの経年変化を推定するモデルを構築しました。これにより、顔が映った写真などの二次元画像から三次元の顔画像を推定し、加齢シミュレーションを行うことで、さまざまな角度からみた加齢画像を推定することが可能となりました。（「加齢化予測システム、加齢化予測方法及び加齢化予測プログラム」特許第5950486号）

左右スクロールで表全体を閲覧できます

2016年熊本地震では、建物被害の把握のために、本震発生後3日以内に撮影された航空写真から、100人以上の技術者が3日間かけ、約30万棟の建物被害の目視判読を行いました。このような作業の効率化を目的として、そのうちの約3万棟を含む航空機オルソ画像からディープラーニング(深層学習)により建物の被災度を自動判別する手法を開発しました。

※航空写真、被害区分情報提供：国立研究開発法人防災科学技術研究所、株式会社パスコ

左右スクロールで表全体を閲覧できます

近年、局地的な豪雨の増加により、越水・堤防の決壊等の甚大な被害が増加しています。このような状況を踏まえ、川幅を広げる河川改修や一時的に洪水を貯める遊水地の開発等、河川周辺の土地環境を活用した治水対策が重視されており、土地環境を把握することが非常に重要になっています。河川周辺の地物抽出^*1を人手により正確に行うには、膨大な時間・コストが必要なため、こうした課題を解決するために、航空写真から地物の領域を画像処理技術などにより自動抽出する手法が多数提案されています。

ここでは、地物抽出の基礎研究として、対象を河川・湖沼領域に限定して領域推定の自動化を検討した事例を紹介します。下図は、ディープラーニング（深層学習）を用いて石狩川の航空写真を判別した結果です。撮影場所によって河川の色味が異なるため色情報だけを用いて判別することは困難ですが、ディープラーニングを用いて周辺情報も加味して推定を行うことで、色味が異なる場合でも河川の形状を認識できることが分かりました。

この領域推定を複数の年代の航空写真に対して行うことで、河川の蛇行度の時系列変化に関する分析なども可能になり、今後被害が予想される地域の予測などへの応用も期待できます。またこの手法は堤防・植生等の他の地物の領域推定にも応用が可能です。

※航空写真 出典：国土地理院「電子国土基本図（オルソ画像）（2007年～）」
https://www.gsi.go.jp/kikakuchousei/kikakuchousei40182.html

1. *1地物抽出：地物は、河川・森林などの自然物や堤防・建物などの人工物の総称であり、ここでは、航空写真上の地物を特定することを地物抽出と呼んでいる。

左右スクロールで表全体を閲覧できます

当社では、上記以外にも、さまざまな分野におけるお客さまの広範な技術課題の解決のサポートをしております。概要の中にある開発事例の一覧もご参照ください。