1クラス分類に基づく医用画像の異常検出【JST・京大機械翻訳】

Wei Qi; Ren Yinhao; Hou Rui; Shi Bibo; Lo Joseph Y.; Carin Lawrence

文献

J-GLOBAL ID：201902268048314362 整理番号：19A0913591

1クラス分類に基づく医用画像の異常検出【JST・京大機械翻訳】

Anomaly detection for medical images based on a one-class classification

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=19A0913591&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=19A0913591&from=J-GLOBAL&jstjournalNo=D0943A") }}

著者 (6件)： , , , , ,
資料名：
巻： 10575 ページ： 105751M-6 発行年： 2018年
JST資料番号： D0943A ISSN： 0277-786X CODEN： PSISDG 資料種別：会議録 (C)
記事区分：短報発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

悪性腫瘍やマンモグラム,CTまたはPET画像を含む医用画像からの小結節のような異常を検出することは,医学診断における応用と共に多くの注目を引いている現在の研究課題である。これに対処するための従来の方法は,負と正のサンプルの訓練データセットを用いて識別モデルを学習することである。学習されたモデルは,テストサンプルを正または負のクラスに分類するために用いることができる。しかしながら,医学的応用において,負と正のサンプル間の高い不均衡は,それらが大多数のグループ,すなわち負のグループに向けてバイアスされるので,学習アルゴリズムに対する困難さを引き起こす。この不均衡なデータ問題に対処するとともに,膨大な量の負サンプル,すなわち,正常医用画像を活用するために,負のクラスを特徴付けるための教師なしモデルを学習することを提案した。学習されたモデルを異なるスケールの医用画像に対してより柔軟で拡張できるようにするために,大規模医用画像から分解された負のパッチを特性化するために,深いニューラルネットワークに基づく自動エンコーダを設計した。テスト画像をパッチに分解し,次にこれらのパッチそのものを再構成するために学習したオートエンコーダに供給した。一つのパッチの再構成誤差を用いて,このパッチを二値クラス,すなわち正または負のクラスに分類し,一クラス分類器に導いた。陽性パッチは大きな医用画像の異常を含む疑わしい領域を強調する。提案した方法をInBreastデータセットでテストし,0.84のAUCを達成した。本研究の主な寄与は以下のように要約できる。1)提案した1クラス学習は,1つのクラスからのデータのみを必要とする。2)パッチベースの学習は,提案した方法を異なるサイズの画像に拡張し,医用画像に対する大規模問題を回避するのに役立つ。3)提案した深部畳込みニューラルネットワーク(DCNN)に基づく自動エンコーダの訓練は高速で安定である。COPYRIGHT SPIE. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

図形・画像処理一般 , 医用画像処理

, ,

前のページに戻る