文献
J-GLOBAL ID:201802229917658872   整理番号:18A1937463

肝病変分類におけるCNNパフォーマンス増加のためのGaNベース合成医用画像増強【JST・京大機械翻訳】

GAN-based synthetic medical image augmentation for increased CNN performance in liver lesion classification
著者 (6件):
資料名:
巻: 321  ページ: 321-331  発行年: 2018年 
JST資料番号: W0360A  ISSN: 0925-2312  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:
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。
深い学習法,特に畳込みニューラルネットワーク(CNN)は,大規模な注釈付きデータセットを用いることにより,広い範囲のコンピュータビジョンタスクにおいて膨大なブレークスルーをもたらした。しかしながら,医療領域でそのようなデータセットを得ることは挑戦のままである。本論文では,最近提示された深い学習一般的アドバーサリアネットワーク(Gans)を用いて,合成医用画像を生成するための方法を提案した。さらに,生成された医用画像が合成データの増強に使用でき,医用画像分類のためのCNNの性能を改善できることを示した。著者らの新しい方法は,182の肝臓病変(53の嚢胞,64の転移と65の血管腫)のコンピュータ断層撮影(CT)画像の限られたデータセットに関して実証した。最初に,高品質肝病変ROIsを合成するためのGANアーキテクチャを開発した。次に,CNNを用いた肝臓病変分類のための新しいスキームを提示した。最終的に,著者らは古典的データ増強と著者らの合成データ増強を用いてCNNを訓練して,性能を比較した。さらに,可視化とエキスパート評価を用いて合成した例の品質を調べた。古典的データ増強のみを用いた分類性能は78.6%の感度と88.4%の特異性をもたらした。合成データを追加することにより,結果は感度が85.7%,特異性が92.4%に増加した。著者らは,合成データ増強へのこのアプローチが,他の医学的分類応用に一般化することができ,したがって,診断を改善するために放射線科医の努力をサポートすると信じる。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】
シソーラス用語:
シソーラス用語/準シソーラス用語
文献のテーマを表すキーワードです。
部分表示の続きはJDreamⅢ(有料)でご覧いただけます。
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。

準シソーラス用語:
シソーラス用語/準シソーラス用語
文献のテーマを表すキーワードです。
部分表示の続きはJDreamⅢ(有料)でご覧いただけます。
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。
, 【Automatic Indexing@JST】
分類 (3件):
分類
JSTが定めた文献の分類名称とコードです
人工知能  ,  図形・画像処理一般  ,  医用画像処理 

前のページに戻る