琉球大学 · 工学部

研究キーワードdepression detection・multimodal affect analysis・medical image segmentation・graph neural networks・liver lesion classification・magnetic resonance imaging・dynamic contrast-enhanced MRI

ここは公開データのプレビューです。個別の適合理由、連絡角度、保存機能はログイン後に利用できます。

• DepressionLLM: Emotion-and causality-aware depression detection with foundation models2026 · Teng, SY; Liu, JQ; Sun, H; Huang, Y; Jain, RK; Chai, SR; Hou, RB; Tateyama, T; Lin, LF; He, L; Chen, YW
• Integrating text and medical images for segmentation using interpretable graph neural network2026 · Chai, SR; Jain, RK; Mo, SC; Liu, JQ; Teng, SY; Tateyama, T; Lin, LF; Chen, YW
• Classification of liver lesions based on temporal changes in hepatobiliary phase contrast on magnetic resonance imaging: a preliminary study2025 · Takatsu, Y; Nakamura, M; Tateyama, T; Miyati, T; Kobayashi, S
• 生成AIを支えるSelf-Attentionの基礎2025 · <p>近年，生成AIの発展に伴い，Self-Attentionを中核とするTransformerアーキテクチャーが，自然言語処理や画像生成をはじめとする多くの分野で重要な基盤技術として注目されている．本稿では，Self-Attentionの数理的基盤に焦点を当て，Query・Key・Valueの導出と役割，類似度スコアの算出とSoftmaxによる正規化，さらに加重平均による出力生成の過程について段階的に解説する．あわせて，TransformerにおけるAttention機構の設計思想と構造的特徴を整理し，生成AIにおけるSelf-Attentionの意義を明確にすることを目的とする．数式や図を交えて直観的理解を促すことで，医用画像分野における今後の応用展開の基盤形成に資することを期待する．</p>

• データサイエンスによる紙の道の解明―量的・質的調査とＡＩ多面的解析に基づいて―2022 · 基盤研究(A)
• 顔面形態変化観測のための標準顔形態生成と可視化，および顔面浮腫診断支援への応用2021 · 顔面浮腫は,通常時の顔の状態と比較すると,頬周辺が赤みを帯びて,頬形状の下方向への膨張が視認される症状である.この疾患における発症要因は様々であるが,形成外科分野においては顎矯正手術後,切離・剥離から派生する傷などが要因として高い頻度で確認される.現状,顔面浮腫の診断は,臨床医の直接視診・触診によって行われ,経過観察に基づいて投薬治療を行うことが主であった.このため,医師ごとの診断が異なる可能性が高く,計算機による客観評価が可能な診断支援システムの確立が求められる. 上記の課題解決について,本研究では,①3次元顔形状情報観測とデータベースの構築,②正常と疾患奨励間における形状違いの観測と可視化,③①,②の成果にもとづく,顔面浮腫の計算機診断支援を目指す.今年度における本研究では，研究初年度(2021年度)に引き続き,①の課題についての研究に焦点を置いた. ①について，本研究で国内外の研究調査を行ったところ，顔面形状変化に関連した研究は，顔部位においても目元，口，鼻などの顕著な局所部位を想定したランドマークを用いた解析が主である．しかし，本研究で対象とする解析は，頬部位を導入した解析となるため，頬部位情報をより詳細に解析したデータベースは存在していない．それゆえ，本研究ではこの頬部位情報を考慮した３次元顔形状のデータ取得ならびにデータ解析を行った． 今年度は，疾患症例のデータベース化を行い，実際の形状と本研究による顔形状取得と比較を行う．
• 手術中における医用画像の可視化操作のためのジェスチャモデル構築とデータベース公開2018 · 本年度は，初年度の研究として当初の予定どおり，Kinectから手指形状の取得ならびに取得すべきジェスチャの決定，ジェスチャ撮影環境の決定を行った．さらに，本研究では，取得されたジェスチャがどの形状であるか，を高精度に認識するためのデータベースを構成した．この構成されたデータベースは次年度の深層学習においても利用することを目的としており，初年度だけでなく，さらにデータ数を増やしていく． ジェスチャ取得の環境は，Kinect V2を用いて正面と斜め上45度の静止画の2方向より，カラー画像とDepth画像（距離情報を画像の輝度値として表現する）の撮像を行った．また，ジェスチャの種類は，手のオープンをはじめ26パターンの種類を決定した．また，この撮像方法とは別で，Kinect V2と対象ジェスチャ間を正面のみ80cmとして，26種類のパターンでカラー画像とDepth画像の取得を行った．後者のジェスチャデータは，Kinect V2で撮像したジェスチャ間のデータにおける精度評価を行うこと，そして距離の違いからのジェスチャ推定の精度評価，撮像の精度評価が可能になる．この精度の評価について，手指形状を中心に顔形状も用いて，Kinect V2に対する計測精度の評価を行い，本研究のジェスチャデータの取得の確立とジェスチャデータベースの構築に進め，本課題の提案に対するDepthデータの取得・評価ならびにそのデータベースの有効性について解析を行った．2年目は，取得されたジェスチャデータを用いて実際に深層学習から手指形状の認識および環境の違いによる評価を行うことを予定している．

• 公式プロフィール