文献

J-GLOBAL ID：201702225832220107   整理番号：17A0321418

高分解能超音波画像からのGabor変換特徴を用いた242患者集団における甲状腺病変分類【Powered by NICT】

Thyroid lesion classification in 242 patient population using Gabor transform features from high resolution ultrasound images

著者 (11件)： Acharya U Rajendra (Department of Electronics and Computer Engineering, Ngee Ann Polytechnic, Singapore) ,  Acharya U Rajendra (Department of Biomedical Engineering, School of Science and Technology, SIM University, Singapore) ,  Acharya U Rajendra (Department of Biomedical Engineering, Faculty of Engineering, University of Malaya, Malaysia) ,  Chowriappa Pradeep (Department of Computer Science, Louisiana Tech University, Ruston, LA 71272, USA) ,  Fujita Hamido (Iwate Prefectural University (IPU), Faculty of Software and Information Science, Iwate 020-0693, Japan) ,  Bhat Shreya (Department of Psychiatry, Research Associate, St. John’s Research Institute, Bangalore 560034, India) ,  Dua Sumeet (Department of Computer Science, Louisiana Tech University, Ruston, LA 71272, USA) ,  Koh Joel E.W. (Department of Electronics and Computer Engineering, Ngee Ann Polytechnic, Singapore) ,  Eugene L.W.J. (Department of Electronics and Computer Engineering, Ngee Ann Polytechnic, Singapore) ,  Kongmebhol Pailin (Department of Radiology, Faculty of Medicine, Chiang Mai University,110 Intawaroros Road, Chiang Mai 50200, Thailand) ,  Ng K.H. (Department of Biomedical Imaging, Faculty of Medicine, University of Malaya, Kuala Lumpur 50603, Malaysia)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 107  ページ： 235-245  発行年： 2016年 
JST資料番号： T0426A  ISSN： 0950-7051  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 甲状腺癌は甲状腺の端での甲状腺組織の非定型成長から始まる。,咽喉頭塊を形成し,この組織の成長は良性または悪性の甲状腺結節の形成をもたらした。血液検査と生検は甲状腺結節の存在を診断するために使用される標準技術である。しかし画像診断法は,診断を改善し,甲状腺癌の段階を同定するための費用対効果の高い,非侵襲的リスクとして示した。本研究では,良性および悪性甲状腺結節の分類のための新しい自動化システムを提案した。高分解能超音波(HRU)を用いて記録した甲状腺結節の生画像はGabor変換を受ける。種々のエントロピー特徴をこれらの変換画像から抽出し,これらの特徴は局所性高感度判別分析(LSDA)によって低減され,ReliefF法によってランク付けした。Wilcoxon署名ランク,FriedmansとIman Davenport post hoc試験を用いたオーバサンプリング戦略を用いて分類データをバランスさせ,分類性能を改善した。サポートベクトルマシン(SVM),k-最近傍(kNN),多層パーセプトロン(MLP)および決定木のような分類器は良性と悪性甲状腺結節のキャラクタリゼーションのために用いた。242甲状腺HRU画像を用いたC4.5決定木分類器を用いた94.3%の分類精度を得た。著者らの開発したシステムは,甲状腺を自動的に放射線科医を支援するために使用することができた。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： *甲状腺 ,  サポートベクトルマシン ,  *超音波画像 ,  キャラクタリゼーション ,  判別分析 ,  生検 ,  *Gabor変換 ,  等級づけ ,  甲状腺腫瘍 ,  ディシジョンツリー ,  局所性 ,  *患者 ,  *超音波 ,  *高分解能
準シソーラス用語： 甲状腺結節 , 【Automatic Indexing@JST】

著者キーワード (7件)： 甲状腺結節 ,  高分解能 ,  SMOTE ,  オーバサンプリング戦略 ,  ポストアドホック試験 ,  ReliefF ,  LSDA

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (8件)： 高分解能 ,  超音波画像 ,  Gabor変換 ,  患者 ,  集団 ,  甲状腺 ,  病変 ,  分類