可基于少量数据完成深度学习的物体检测技术

本技术介绍参考了以下链接
English

2019年01月24日

株式会社富士通研究所（注1）（以下简称：富士通研究所），开发了一种基于深度学习（注2）对物体进行检测的人工智能（以下简称：AI）技术，即使只有少量学习数据也可完成。

开发背景

近年来，人们期待AI技术能够在越来越多的领域帮助实现作业的自动化。富士通研究所在医疗领域，与日本京都大学大学院的医学研究科合作进行共同研究（注3）。其中正在推进的一个研究项目是，基于AI技术辅助完成肾脏疾病的诊断。在医疗现场，经常使用一种称为肾活检的方法进行诊断：取一部分肾脏切片，通过显微镜拍摄的图像，检查并确认负责血液过滤的肾小球组织的状态及数量。但是，通过放大图像目测寻找肾小球需要花费大量的时间和精力，在判断肾小球状态时即使是专家也可能产生偏差，因此需要一种精确的自动化技术辅助完成状态诊断和肾小球数量的计算。

图1 肾活检图像与肾小球检测

课题

为了从图像中自动提取候选的肾小球，需要从给定的图像中确定肾小球的位置，而深度学习被广泛认为是检测图像中物体位置和种类的一种有效方法。这种学习方法需要大量图像，以及图像中物体的种类和位置信息(正确的数据)。而正确数据则需要具有专业知识的医生来标注制作，但医生很难实现大量标注。

开发的技术

此次富士通研究所开发了一种基于半监督学习的物体检测技术，可通过少量有标注的图像数据（正确的图像数据）与大量无标注的图像数据（不正确的图像数据），进行深度神经网络学习，并能够确定图像中物体的位置。

为了增加有标注图像（正确数据）的数量，针对大量图像可以通过使用神经网络估算物体的位置来补充正确数据。然而，在传统技术中，通过少量正确数据训练的神经网络，很难估算出与实际物体位置完全一致的位置。因此，基于这种错误估算的数据训练模型，会导致精度更加劣化。

此次，富士通研究所开发了一种验证技术，通过将用于检测位置的神经网络的估算结果作为线索，使用用于恢复原始图像的神经网络复原图像，可以验证输出的估算位置的正确程度。由于基于错误的估算位置复原的图像与原始图像不匹配，因此可以通过比较两个图像，来验证估算位置的准确性。富士通研究所通过这种方式对大量图像进行反复估算和复原，使得正确数据的数量逐渐增加。同时，输出正确估算位置的次数也逐渐增多，从而提高了精度。

图2 通过复原图像验证估算位置的新网络结构

效果

在与京都大学大学院医学研究科的共同研究中，该技术被应用到了肾活检图像的肾小球检测中。富士通研究所将仅使用了50张标注图像（正确图像数据）训练的传统物体检测神经网络，与该技术进行了对比（除使用了50张相同标注图像，还使用了450张无标注图像）。结果显示，在漏报率与人类相同，不超过10%的条件下，精度为传统技术的2倍，达到了27%。这意味着，如果每张图像的平均肾小球数为22个，按照上述漏报率进行检测，需要研究探讨的候选对象被缩小到了77个，降低了后处理的成本。像这样，通过提高精度和减少候选数量，基于肾小球检测的肾脏疾病研究和诊断系统开发有望得到加速发展。

今后

通过与京都大学大学院医学研究科的共同研究，富士通研究所将应用此次研发的肾小球检测技术，致力于实现肾脏的定量评估方法。另外，该技术不仅可应用于肾活检图像等特定用途，还可广泛应用于标注图像数据较少（正确数据较少）领域的物体检测。例如，可将该技术的应用扩展到基于生产线图像的异物（瑕疵产品）检测，基于基础设施中各种传感器（根据诊断图像）的异常部位识别，以及基于建筑图纸的材料列表创建等。作为支持富士通株式会社“Zinrai平台服务”的学习模型构建技术，富士通研究所目标实现该技术的实用化。

注释

 注1 株式会社富士通研究所：

社长 古田 英范
总公司所在地 日本神奈川县川崎市

 注2 深度学习：

人工智能（AI）的主要技术之一。富士通在深度学习方面，至今已于日本国内及海外申请了约140件专利。

 注3 与日本京都大学大学院的医学研究科合作进行共同研究：

Kyoto University and Fujitsu Launch Joint Research Project to Advance Medicine through the Use of AI （2018年1月24日 新闻发表）