A03深層学習を用いた安静時機能的MRIからの汎用特徴量抽出

　本研究は、安静時機能的磁気共鳴画像(rsfMRI) データを高解像度(voxel-based)・階層性・非線形性を伴いながら、深層ニューラルネットワーク（deep neural networks: DNN）を用いて解析し、脳活動の個人特徴や認知的特性を反映しうる汎用特徴量抽出技術を開発することを目的とします。rsfMRIは、安静状態でMRI撮像を繰り返し、自発的脳活動の時間的変化を捉える脳画像検査法で、脳領域間の機能的結合が個人の脳状態を反映した有益な情報源であると考えられ、精神疾患の病態把握を含む医療応用も見据えた研究が活発に行われています。しかし、rsfMRIデータに豊富に含まれる時間的な脳活動のダイナミクスから有益な情報を取り出す技術は未だ十分に確立できていません。そこで、本研究では、高解像度rsfMRIデータから階層性・非線形性を伴いながら、自己組織的特徴量抽出が可能なDNNを用いて、脳活動の個人特徴や認知的特性を反映しうる汎用特徴量を抽出する方法の確立を目指します。さらに、開発した汎用特徴量抽出技術を統合失調症、発達障害を含む精神疾患を対象として適用し、rsfMRIデータから患者個々人の診断・疾患予後・治療反応性予測などを総合的に評価する、精神疾患の評価法開発の基盤となる技術の確立を目指します。