文献

J-GLOBAL ID：201902224140919769   整理番号：19A1119141

ロバストな肺セグメンテーションのための3D条件付き生成敵対ネットワークからのCT現実的肺結節シミュレーション【JST・京大機械翻訳】

CT-Realistic Lung Nodule Simulation from 3D Conditional Generative Adversarial Networks for Robust Lung Segmentation

著者 (5件)： Jin Dakai (National Institutes of Health, Bethesda, MD, USA) ,  Xu Ziyue (National Institutes of Health, Bethesda, MD, USA) ,  Tang Youbao (National Institutes of Health, Bethesda, MD, USA) ,  Harrison Adam P. (National Institutes of Health, Bethesda, MD, USA) ,  Mollura Daniel J. (National Institutes of Health, Bethesda, MD, USA)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 11071  ページ： 732-740  発行年： 2018年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： データアベイラビリティは,深い学習システムの性能に重要な役割を果たす。この挑戦は,特に病理学が2つの因子のために関与しているとき,特に医用画像領域の中で急性である。(1)限られた数のケース,(2)位置,スケール,および外観における大きな変動。本研究では,人工的に生成された肺結節によるデータセットの増強が,CTスキャンの病理学的肺セグメンテーションのための進行性全体的に入れられたネットワーク(P-HNN)モデルのロバスト性を改善できるかどうかを調べた。この目的を達成するために,著者らは3D空間における肺結節特性分布を効果的に学習する,3D生成的なネットワーク(GAN)を開発した。それらの背景文脈の中に結節を埋め込むために,著者らは,結節を含む中心部が消去された関心のある体積に基づいてGANを条件づけた。現実性をさらに改善し,背景と混合するために,新しいマルチマスク再構成損失を提案した。この方法をLIDCデータセットから1000以上のノード上で訓練した。定性的結果は,最新技術と比較して本方法の有効性を実証した。次に,著者らのGANを用いて,公表されたP-HNNモデルが構築されているケースである,肺境界上に小結節が存在する模擬訓練画像を生成した。定性的および定量的結果により,これらのシミュレーション画像を用いて,P-HNNモデルは,これらの挑戦的状況下でより良いセグメント肺領域を学習することを実証した。結果として,著者らのシステムは,一般的に医用画像に影響を与えるデータ不足を克服するための有望な手段を提供する。Copyright 2018 Springer Nature Switzerland AG Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *ネットワーク ,  アベイラビリティ ,  *シミュレーション ,  再構成 ,  医用画像 ,  計算機トモグラフィー ,  有効性 ,  画像 ,  CASE ,  *ロバスト性 ,  *三次元
準シソーラス用語： *結節 ,  三次元空間 ,  *肺結節 ,  *敵意 , 【Automatic Indexing@JST】

著者キーワード (5件)： 肺結節 ,  CT ,  GaN ,  データセットボトルネック ,  肺セグメンテーション

分類 (3件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S) ,  分子・遺伝情報処理  (JE15040B)

タイトルに関連する用語 (7件)： ロバスト ,  肺セグメンテーション ,  3D ,  敵対 ,  CT ,  肺結節 ,  シミュレーション