文献

J-GLOBAL ID：201802256515350505   整理番号：18A1617559

自動脳神経膠腫セグメンテーションのためのツリーベースアンサンブル分類器学習【JST・京大機械翻訳】

Tree-based Ensemble Classifier Learning for Automatic Brain Glioma Segmentation

著者 (3件)： Amiri Samya (LATIS lab, ENISo - National Engineering School of Sousse, Tunisia) ,  Ali Mahjoub Mohamed (LATIS lab, ENISo - National Engineering School of Sousse, Tunisia) ,  Rekik Islem (BASIRA lab, CVIP group, School of Science and Engineering, Computing, University of Dundee, UK)
資料名： Neurocomputing  (Neurocomputing)
巻： 313  ページ： 135-142  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： 教師つきマルチラベル画像セグメンテーションのために異なる最先端分類器の強度を活用する方法を学習する動的マルチスケールツリー(DMT)アーキテクチャを導入した。画像セグメンテーションとラベリングタスクを扱うための単純な集合またはカスケード分類器とは異なり,著者らは,分類器ノード間の情報の双方向フローが性能を徐々に改善するために,強い分類器をツリー構造に埋め込むことを提案した。著者らのDMTは,分類精度を上げるために,それらの間の学習移動を強化しながら,分類器の異なるカスケードを本質的に埋め込む一般的な分類モデルである。具体的には,著者らのDMTにおける各ノードは構造化ランダムフォレスト(SRF)分類器またはBayesネットワーク(BN)分類器をネストすることができる。提案したSRF-BN DMTアーキテクチャはいくつかの魅力的な特性を有している。最初に,SRFはパッチレベル(正規画像領域)で動作するが,BNはスーパーピクセルレベル(不規則画像領域)で動作し,それにより,DMTが学習プロセスにおけるマルチレベル画像知識を統合することを可能にする。第二に,BNは画像要素(スーパーピクセル,エッジ)とそれらの特徴の間の依存性をモデル化するのに強力であるが,その構造とパラメータの学習は挑戦的である。一方,SRFは非常に不規則な物体境界を正確に検出できない。提案したDMTは,各親ノードとその子供ノード間のコンテキスト情報の上昇および下降流を通して,両分類器に対するこれらの限界をロバストに克服する。第3に,入力パッチとスーパーピクセルに対して異なるスケールを用いてDMTを訓練した。基本的に,著者らは,その葉ノードに近い木エッジに沿ってより深くなるにつれて,パッチとスーパーピクセルサイズを徐々に減少させ,粗から微細な画像詳細を獲得するセグメンテーションマップを生成した。最後に,DMTは,神経膠腫による脳画像のマルチラベリングのためのいくつかの最先端のセグメンテーション法と比較して,その性能を実証した。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： 構造形成 ,  モデリング ,  ツリー構造 ,  画素 ,  画像 ,  子供 ,  *セグメンテーション ,  計算機アーキテクチャ ,  *学習 ,  ロバスト性
準シソーラス用語： 入れ子構造 ,  ランダムフォレスト ,  分類精度 ,  マルチスケール ,  画像セグメンテーション , 【Automatic Indexing@JST】

著者キーワード (6件)： アンサンブル分類器学習 ,  セグメンテーション ,  動的ツリー ,  ブースティング ,  脳 ,  腫瘍

分類 (2件)： パターン認識  (JE07000S) ,  医用画像処理  (JE04020T)

タイトルに関連する用語 (5件)： 脳 ,  神経膠腫 ,  セグメンテーション ,  アンサンブル分類器 ,  学習