まずは新しいことを知りたいと思っています。高校生の時、プレゼンテーションのトピックの一つで日本食を調べました。
数年後、日本のドキュメンタリー、日本のテクノロジー、日本のドラマなどを見て、日本の文化がとても好きになりました。
工学部2年生の時、ゼミでFAST OFFERインターナショナルプログラム（旧Study Go Work JAPANプログラム）について知りました。卒業直後の日本での就職の機会は、日本語を学び始めたきっかけになりました。日本語の授業で最初の講義を受けた後、私の日本と日本文化への興味は大きくなりました。
「日本での生活」というアイデアは、日本で働くという私の夢、目標を与えてくれました。伝えたいことがたくさんあるので、言葉で幸せを表現することはできませんが、これは私にとって人生を変えるポイントであると感じています。
就職活動の間、日本語授業の先生方全員がいつも支えてくれました。 JLPT N3を取得した後、日本企業の面接に応募できるようになりました。クラスの先生が行った模擬面接をクリアした後、ASIA to JAPANのメンターと別の面接を行うことになりました。メンターが本当に助けてくれました。書類審査とPRビデオを経て、ようやく面接に応募することができました。最初は1つの会社の面接を受けましたが、コーディングで失敗しました。
半年ほど待った後、某製造メーカーと面接する機会がありました。日本企業に面接するのは初めてだったので、とても怖かったです。でも、メンターは、プロセス全体を通して私を本当に助けてくれて、シンプルでわかりやすいプレゼンテーションを作成する方法を教えてくれました。間違いを指摘し、アピールポイントをどのように提示したかを手伝ってくれました。
最初の面接とウェブ適性テストをクリアした後、私は最終面接を受けました。ゴールデンウィークの休日で結果が遅れましたが、待つ価値はありました。
初めて面接に合格したことを知ったとき、夢が叶ったような感じがしました。約2.5年間ずっと取り組んでいたものです。私の先生とメンターは、よい結果と私の将来に喜んでくれました。
ASIA to JAPANの指導、励まし、リソース、そしてこの夢を実現するために費やしてくれた時間に深く感謝しています。ずっと私と一緒にいたすべての人々、私の家族、先生、メンター、そして友人からのサポートなしには不可能なことでした。
この人生を変える素晴らしい機会を与えてくれたASIA to JAPAN、そして私のメンターに感謝しています！
すぐに日本での新しい生活の始まりを楽しみにしています！
１．研究題名：ディープラーニングを用いた脳腫瘍ＭＲＩ画像の分類
２．背景と目的：
今日、私たちはほとんどすべての情報をオンラインとデジタルで使用しています。
このプロジェクトの目的は脳腫瘍の早期発見に役立ち患者の命を救う可能性を高め全体の診断時間も短縮することです。脳腫瘍は、神経膠腫(Glioma)、髄膜腫(Meningioma)、脳下垂体腫(Pituitary)、無腫瘍(No Tumor)の4種類に分類されます。このプロジェクトの後、エンドツーエンドのアプリケーションを開発する予定です。このWebアプリケーションを利用して、脳神経外科医が安価に脳腫瘍の種類を簡単に分類することと腫瘍を検出することです。
３．実施内容：
脳腫瘍の分類は、畳み込みニューラルネットワーク(CNN)モデルを使用して実装できます。また、トレーニングとテストのために、約8750のMRIからなるラベル付きデータセットを参照しました。
最初の段階では、データセット内のMRIの数を増やすためにデータ-アグメンテイシャンを使用しました。その後、データセットを80%と20%に分割し、トレーニング用とテスト用に分けました。
そして、畳み込み2D (Convolutional 2d Layer)、最大プーリング層(Max Pooling Layer)、完全連結層( Fully Connected Layer)、 などの様々な層からなるCNNアーキテクチャを使用しました。 具体的には、Relu activation unit、ADAM optimizer、Softmax classifier を使用しました。ソフトマックス分類器層の後で望ましい結果を得ることができます。私たちのプロジェクトではVGG16, CONVNETとEFFICIENTNET B0 CNNモデルを利用しています。これらのモデルについて精度を検討し、最終的に最適なモデルを選んで実装しています。
1) 最初にディープラーニング、djangoを使ったWebアプリケーション開発などを勉強しました。
2) 脳腫瘍の3つのデータセットをkaggle.comのウェブサイトから収集しました。
3)2値分類モデルを実装し、様々なモデルとその精度を検討した。VGG16とINCEPTION V3 とRESNET50の各モデルは、それぞれ95.20%、92.1%、95.90%の精度を示した。
4)脳腫瘍の多重分類のために，VGG16モデルを学習させた。その精度と損失グラフを調査しました。VGG16モデルは81.77%精度を示した。
5)モデルの精度を上げるための方法を検討しました。また、学習させるMRIの枚数を増やし、画素サイズとエポック数を増やすことで、モデル全体の精度を向上させました。VGG16モデルは96.27%精度を示した。
6)djangoを使ったWebアプリケーションを実装しています。
４．結果：
入力MRIは、神経膠腫(Glioma)、髄膜腫(Meningioma)、脳下垂体腫(Pituitary)、無腫瘍(No Tumor) の4種類に分類されます。現在の研究では90%までの精度を示しています。
様々なモデルを用いてテスト精度を確認し、最終的なモデルではVGG16モデルは96.27%の精度を示した。CONVNETとEFFICIENTNET B0モデルを学習しています。TensorFlow keras、ジュピターノートブックを使用して、システムの実コードを作成中です。
５．学んだこと、今後の課題：
医療現場におけるCADシステムの重要性を学びました。最初は、ディープラーニングの詳細について学び始めました。また、CNNアーキテクチャの各レイヤーがどのように機能するかを理解した。プロジェクトのためにコーディングを学びました。TensorFlow keras、Jupyter Notebook プラットフォームを使用しています。ウェブアプリケーションを開発ためにPython言語のフレームワークDjangoを学びました。
