抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
生物医学画像解析における畳込みニューラルネットワーク(CNN)の適用における集中的な関心の高まりは広く普及しているが,その成功は生物医学イメージングにおける大規模なアノテーション付きデータセットの欠如により妨げられている。注釈医用画像だけでなく面倒で時間を要するばかりでなく,高価な特殊-指向知識と技能の要求,これは容易に入手できない。アノテーションコストを劇的に低減するために,本論文では,能動的学習と転移学習を統合する一つの枠組みに自然にAIFT(活性,増分微調整)と呼ばれる新しい手法を提案した。AIFTはアノテーションのための注釈の付けられていないから価値試料を訓練済みCNNと直接開始し,(微調整)CNNは,CNN性能を向上させるインクリメンタルに各反復処理の中で新たにアノテートされた試料を組み込むことにより連続的に微調整される。は三つの異なる生物医学的イメージング応用において,この方法を評価し,アノテーションのコストは少なくとも半分にカットすることが可能であることを示した。この性能は著者らのAIFT法の高度活性とインクリメンタル能力から誘導したいくつかの利点に起因した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】