文献

J-GLOBAL ID：201702250591549540   整理番号：17A0755313

全方向ランドマーク検出のためのランドマーク賢明なランダム回帰フォレストを用いた3次元統計的形状モデル【Powered by NICT】

3D Statistical Shape Models Incorporating Landmark-Wise Random Regression Forests for Omni-Directional Landmark Detection

著者 (2件)： Norajitra Tobias (Junior Research Group Medical Image Computing, German Cancer Research Center (DFKZ), Heidelberg, Germany) ,  Maier-Hein Klaus H. (Junior Research Group Medical Image Computing, German Cancer Research Center (DFKZ), Heidelberg, Germany)
資料名： IEEE Transactions on Medical Imaging  (IEEE Transactions on Medical Imaging)
巻： 36  号： 1  ページ： 155-168  発行年： 2017年 
JST資料番号： H0895A  ISSN： 0278-0062  CODEN： ITMID4  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： 3D統計的形状モデル(3D SSM)は医用画像セグメンテーションのための広く用いられている。しかし,分節化の間に,それらは典型的には画像の適切なランドマーク位置のための非常に限られた一方向探索を行い,局所画像情報を考慮に入れるのみ弱い学習者やユースケース特異的外見モデルに依存する。結果として,セグメンテーション誤差が発生し,結果は一般的に以前のモデル初期化の精度に依存する。さらに,最適な結果を得るためにこれらの方法は面倒であり,ユースケース依存パラメータ調整を受けるになった。これらの限界を克服するために,ランドマーク位置のための強化された全方向探索を行い,それにより豊富な非局所画像情報を考慮したランドマーク賢明なランダム回帰森林による3D SSMの拡張を提案した。添加では,マルチスケールアプローチに基づく長距離モデルフィッティング,遠隔画像位置からも正確で再現性のあるセグメンテーションを可能にし,モデル初期化なしの応用を可能にすることを提供した。最後に,異なる器官への提案した方法の翻訳は直接的であり,訓練プロセスの適応を必要としない。45臨床CTボリューム上でのセグメンテーション実験において,提案全方位探索は精度を有意に増加させ,モデル初期化にかかわらず高精度を示した。さらに,公的に利用可能なデータに対する競合的多臓器標識挑戦の肝臓,ひ臓及び腎臓セグメンテーションのための,提案した方法は芸術の状態よりも同じかあるいはより良い結果を達成した。最後に,肝臓セグメンテーション結果は,良く知られた肝臓セグメンテーション挑戦SLIVER太陽からの特殊化した最先端の方法と競合できることが得られた。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： 精度 ,  セグメンテーション ,  *検出 ,  *三次元 ,  画像 ,  内臓 ,  *モデル
準シソーラス用語： 肝臓セグメンテーション ,  高精度 ,  モデルあてはめ ,  ユースケース ,  画像情報 ,  *統計的形状モデル ,  *ランドマーク ,  *全方向 , 【Automatic Indexing@JST】

分類 (1件)： 医用画像処理  (JE04020T)

タイトルに関連する用語 (5件)： 全方向 ,  ランドマーク ,  ランダム回帰 ,  3次元 ,  統計的形状モデル