文献

J-GLOBAL ID：201702256656515368   整理番号：17A1715812

マルチパラメトリックMRIにおける前立腺癌の自動検出のための協調訓練型畳込みニューラルネットワーク【Powered by NICT】

Co-trained convolutional neural networks for automated detection of prostate cancer in multi-parametric MRI

著者 (7件)： Yang Xin (Department of Electronic Information and Communications, Huazhong University of Science and Technology, Wuhan, 430074, China) ,  Liu Chaoyue (Department of Electronic Information and Communications, Huazhong University of Science and Technology, Wuhan, 430074, China) ,  Wang Zhiwei (Department of Electronic Information and Communications, Huazhong University of Science and Technology, Wuhan, 430074, China) ,  Yang Jun (Department of Organ transplantation, Tongji Hospital, Huazhong University of Science and Technology, 430022, Wuhan, China) ,  Min Hung Le (Department of Electronic Information and Communications, Huazhong University of Science and Technology, Wuhan, 430074, China) ,  Wang Liang (Department of Radiology, Tongji Hospital, Huazhong University of Science and Technology, 430030, Wuhan, China) ,  Cheng Kwang-Ting (Tim) (School of Engineering, Hong Kong University of Science and Technology, Hong Kong)
資料名： Medical Image Analysis  (Medical Image Analysis)
巻： 42  ページ： 212-227  発行年： 2017年 
JST資料番号： W3156A  ISSN： 1361-8415  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： マルチパラメータ磁気共鳴イメージング(mp MRI)は前立腺癌(PCa)の検出と診断のためにますます普及している。しかし,見かけの拡散係数(ADC)とT2強調(T2w)画像,複数の未登録3D配列を含む典型的mpMRIデータを解釈する時間がかかり,特別な専門知識を必要とし,大規模PCaスクリーニングのためのその使用を制限している。mpMRI画像におけるPCaのコンピュータ支援検出に対する解が強く望まれている。PCa検出のための自動化法の大部分の最近の進歩をベースにした2段階分類流,すなわちボクセルレベル分類とそれに続く領域レベル分類による手製特徴を採用した。本研究では,同時に画像におけるPCaの存在を同定し,深い畳込みニューラルネットワーク(CNN)特徴と単段SVM分類器に基づく傷害を局在化できる自動PCa検出システムを提案した。特に,開発したCo訓練されたCNNは,それぞれADCとT2w画像のための二並列畳込みネットワークから構成されている。各ネットワークは病変の位置の事前確率無し画像レベルラベルPCaの存在のみを示した前立腺画像のセットを提供することにより,弱教師つき様式で単一モダリティの画像を用いて訓練した。病変の識別視覚パターンは,前立腺と周辺組織のクラッタから効果的に学ぶことができる。各ピクセル癌であることを示している癌応答マップは各モダリティのためのネットワークの最後の畳込み層で発生した。新しい後方伝搬誤差Eは異なるモダリティ,CNN特徴学習過程中に高度に代表的なPCa関連する特徴を捕獲支援する用に最適化された分類結果と一貫した癌応答マップの両方を強化するため定義した。各モダリティのCNNの特徴は,SVM分類器に連結されて,供給される。癌を含むに分類される画像に対して,非最大値抑制と適応しきい値処理をPCa病巣局在化に対応する癌応答マップに適用した。参照標準として12コア系統的TRUSガイド下前立腺生検160患者データに基づく評価は,このシステムは二最新CNNに基づく方法(Oquab.,2015;Zhouら,2015)と6コア系統的前立腺生検に有意に優れている正常/良性患者当たり0.1;1;10偽陽性で0.46,0.92と0.97の感度を達成することを示した。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： *前立腺腫瘍 ,  *畳込み ,  *ネットワーク ,  画素 ,  *前立腺 ,  患者 ,  NMRイメージング ,  画像 ,  自動化 ,  スクリーニング ,  視覚 ,  最適化 ,  三次元 ,  *ニューラルネットワーク
準シソーラス用語： モダリティ , 【Automatic Indexing@JST】

著者キーワード (5件)： 前立腺癌検出 ,  畳込みニューラルネットワーク ,  癌応答マップ ,  Co訓練されたCNN ,  前立腺生検

分類 (2件)： 泌尿生殖器の腫よう  (GM04000S) ,  腫ようの診断  (GE03020J)

タイトルに関連する用語 (6件)： マルチパラメトリックMRI ,  前立腺癌 ,  自動検出 ,  協調 ,  訓練 ,  畳込みニューラルネットワーク