文献

J-GLOBAL ID：201802290667274434   整理番号：18A1386144

クロスモーダル転送学習を用いた深部CNNによる画像化モダリティにおけるアルツハイマー病の分類【JST・京大機械翻訳】

Classification of Alzheimer Disease on Imaging Modalities with Deep CNNs Using Cross-Modal Transfer Learning

著者 (6件)： Aderghal Karim ,  Khvostikov Alexander ,  Krylov Andrei ,  Benois-Pineau Jenny ,  Afdel Karim ,  Catheline Gwenaelle
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： CBMS  ページ： 345-350  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： 最近のイメージングモダリティ拡散テンソル画像は,アルツハイマー病の研究において構造MRIから使用される情報を補完する。多数の最近の研究は,拡散テンソル画像法から抽出された平均拡散マップを用いて,アルツハイマー病の病理学的病期分類を探求した。Deep神経回路網は,アルツハイマー病のコンピュータ支援診断における被験者の画像データの分類のためのツールである。ここでの主要な問題は,両モダリティにおける公的に利用可能な大量の訓練データの欠如である。訓練データの不足数は過剰適合現象をもたらす。著者らは,構造MRIから拡散テンソル画像モダリティまでの交差モード伝達学習の方法を提案した。ドメイン依存データ増強による構造的MRIデータセット上で訓練されたモデルを,平均拡散率データを訓練するためのネットワークパラメータの初期化として用いた。この方法は過剰適合現象の低減を示し,学習性能を改善し,従って予測精度を向上させる。次に,分類器を大多数の投票によって融合して,ADNIデータセットのサブセットに関する正規制御,アルツハイマー患者,および軽度認知障害被験者の間の分類の強化スコアをもたらした。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： 神経回路網 ,  患者 ,  深部 ,  部分集合 ,  計算機診断 ,  *Alzheimer病 ,  *学習
準シソーラス用語： スコア ,  軽度認知障害 ,  予測精度 ,  訓練データ ,  被験者 ,  拡散テンソル画像 ,  *モダリティ ,  *画像化 , 【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 (8件)： 転送 ,  学習 ,  深部 ,  CNN ,  画像化 ,  モダリティ ,  アルツハイマー病 ,  分類