文献

J-GLOBAL ID：201702291798003499   整理番号：17A0212880

医用画像分類のための微調整された畳込みニューラルネットワークのアンサンブル【Powered by NICT】

An Ensemble of Fine-Tuned Convolutional Neural Networks for Medical Image Classification

著者 (5件)： Kumar Ashnil (Biomedical and Multimedia Information Technology Research Group, School of Information Technologies, The University of Sydney, Camperdown, NSW, Australia) ,  Kim Jinman (Biomedical and Multimedia Information Technology Research Group, School of Information Technologies, The University of Sydney, Camperdown, NSW, Australia) ,  Lyndon David (Biomedical and Multimedia Information Technology Research Group, School of Information Technologies, The University of Sydney, Camperdown, NSW, Australia) ,  Fulham Michael (Department of Molecular Imaging, Royal Prince Alfred Hospital, Australia and Sydney Medical School, The University of Sydney, Camperdown, NSW, Australia) ,  Feng Dagan (Biomedical and Multimedia Information Technology Research Group, School of Information Technologies, The University of Sydney, Camperdown, NSW, Australia)
資料名： IEEE Journal of Biomedical and Health Informatics  (IEEE Journal of Biomedical and Health Informatics)
巻： 21  号： 1  ページ： 31-40  発行年： 2017年 
JST資料番号： W1135A  ISSN： 2168-2194  CODEN： IJBHA9  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 臨床アーカイブ,研究文献,及び臨床マニュアルからの医用画像データ,コンピュータビジョンの最近の進歩の利用可能性は,画像診断,教育,および生物医学研究のための機会を提供する。しかし,画像の内容と意味論は,その様式に依存して変化することができ,のような画像モダリティの同定は重要な予備段階である。医用画像のモダリティを自動的に分類するための重要な課題である異なるモダリティの視覚特性に起因する:いくつかは視覚的に異なる他はわずかな違いがある可能性がある。この挑戦を示し疾患に基づく画像の出現といくつかの方法に対して十分な量の訓練データの不足の変動により複雑になっている。本論文では,異なる畳込みニューラルネットワーク(CNN)アーキテクチャのアンサンブルを用いた医用画像を分類するための新しい方法を導入した。CNNは,与えられた分類タスクのための最適画像特徴を学習する最新の画像分類技術である。異なるCNNアーキテクチャは,種々のレベルの意味的画像表現を学習し,CNNのアンサンブルは高品質特徴を抽出することを可能にすることを仮定した。著者らの方法は,自然画像の大規模データセット上で初期化された微調整CNNによる新しい特徴抽出器を開発した。微調整過程は全ての画像のための基本的な自然画像からの一般的な画像特徴を活用と医用画像形式の多様性のそれらを最適化した。これらの特徴を用いて,事後確率が未知の画像のモダリティを予測に融合した多数のマルチクラス分類器を訓練した。ImageCLEF2016医用画像公共データセット(30様式;6776訓練画像および4166テスト画像)上での実験を行い,微調整されたセルラニューラルネットワークのアンサンブルを確立CNNよりも高い精度を達成することを示した。アンサンブルも同じベンチマークデータセット上での評価文献の方法よりも高い精度を達成し,追加的訓練データ源がこれらの方法により追い越されたのみである。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 特徴抽出 ,  *医用画像 ,  品質特性 ,  最適化 ,  *画像 ,  コンピュータビジョン ,  事後確率 ,  意味論 ,  *畳込み
準シソーラス用語： 自然画像 ,  画像表現 ,  *画像分類 ,  訓練データ ,  モダリティ ,  *微調整 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  医用画像処理  (JE04020T)

タイトルに関連する用語 (5件)： 医用画像 ,  分類 ,  微調整 ,  畳込みニューラルネットワーク ,  アンサンブル