文献

J-GLOBAL ID：201802242992785935   整理番号：18A1030447

RadNet: CTスキャンにおける出血検出のための深部学習を用いた放射線科医レベル精度【JST・京大機械翻訳】

RADnet: Radiologist level accuracy using deep learning for hemorrhage detection in CT scans

著者 (4件)： Grewal Monika (ParallelDots, Inc.) ,  Srivastava Muktabh Mayank (ParallelDots, Inc.) ,  Kumar Pulkit (ParallelDots, Inc.) ,  Varadarajan Srikrishna (ParallelDots, Inc.)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： ISBI  ページ： 281-284  発行年： 2018年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： コンピュータ断層撮影(CT)スキャンからの自動脳出血検出のための深い学習アプローチについて述べた。著者らのモデルは,実世界における3D CTスキャンを分析するために,放射線科医が続く手順をエミュレートする。放射線科医と同様に,モデルは2D断面スライスを通して,潜在的出血領域に近い注意を払っている。さらに,モデルは,各スライスにおける予測を改善するために,隣接スライスから3Dコンテキストを利用し,次に,CTレベルで診断を提供するためにスライスレベル予測を凝集させる。著者らは,3Dコンテキストを組み込むためのスライスレベル予測とリカレントニューラルネットワーク層に対する注意の要素を加えることに加えて,元のDenseネットアーキテクチャを採用するので,著者らの提案した手法を,再帰的な注意点ネット(RADnet)と呼ぶ。RADnetの現実世界の性能は,77の脳CTsに対する3人の高齢放射線科医により行われた独立分析に対してベンチマーキングされている。RADnetは放射線科医に匹敵するCTレベルで81.82%の出血予測精度を示す。さらに,RADnetは3人の放射線科医の2人より高い想起を達成し,それは顕著である。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【JST・京大機械翻訳】

シソーラス用語： エミュレーション ,  *学習 ,  三次元 ,  計算機トモグラフィー ,  *走査 ,  *出血 ,  予測 ,  二次元 ,  *深部 ,  脳出血
準シソーラス用語： 予測精度 ,  ベンチマーキング ,  リカレントニューラルネットワーク ,  3次元CT ,  *放射線科医 , 【Automatic Indexing@JST】

分類 (2件)： 放射線を利用した診断  (GC04020K) ,  医用画像処理  (JE04020T)

タイトルに関連する用語 (5件)： CTスキャン ,  出血 ,  深部 ,  学習 ,  放射線科医