近年，GPUの性能の向上により，ボクセルデータを対象とした深層学習モデルの構築が可能となりつつある．しかし，一般に胸部CT画像データは1症例あたり200～300×512×512ほどの解像度で記録されており，この規模のデータの処理には膨大なGPUメモリーや学習時間を要する．そこで本研究では，胸部CT画像において，ボクセルデータを効果的に扱うための手法を提案する．1つ目は，冠状軸方向，矢状軸方向，垂直軸方向の3つの軸を基準としてスライスをサンプリングしたデータを用いる手法である．少数派クラスの識別性能をprecision-recall area under the curve（PR-AUC）で評価した結果，学習データと同じドメイン（施設）のデータに対し平均0.9948標準偏差0.0103，異なるドメインのデータに対し平均0.5177，標準偏差0.1320の識別性能を示した．2つ目は，画像から輝度情報とテクスチャー情報を抽出し，これらを組み合わせたデータをモデルへの入力とする手法である．学習データと同じドメインのデータに対し平均0.9071，標準偏差0.1008と高い識別性能を保ったまま，異なるドメインのデータに対しても平均0.8174，標準偏差0.0546の識別性能を達成した．
