文献

J-GLOBAL ID：201902269013732528   整理番号：19A2492501

乳房超音波コンピュータ支援診断のための境界意識半教師付き深層学習【JST・京大機械翻訳】

Boundary-aware Semi-supervised Deep Learning for Breast Ultrasound Computer-Aided Diagnosis

著者 (5件)： Zhang Erlei (Northwest University, China) ,  Seiler Stephen (Department of Radiology, UT Southwestern Medical Center, Dallas, TX, USA) ,  Chen Mingli (Department of Radiation Oncology, UT Southwestern Medical Center, Dallas, TX, USA) ,  Lu Weiguo (Department of Radiation Oncology, UT Southwestern Medical Center, Dallas, TX, USA) ,  Gu Xuejun (Department of Radiation Oncology, UT Southwestern Medical Center, Dallas, TX, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： EMBC  ページ： 947-950  発行年： 2019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： 乳房超音波(US)は乳癌診断のための有効な画像診断法である。著者らのコンピュータ支援診断(CAD)システムは何十年も開発され,従来の手書き特徴または現代の自動深学習特徴のいずれかを採用しており,前者は臨床経験に依存し,後者は大きなデータセットを必要としている。本論文では,小さな訓練データセットで正確な診断を達成するために,臨床的に承認された乳房病変境界特性(特徴)を半教師つき深部学習(SDL)に統合する新しいBASDL法を開発した。オリジナルの乳房US画像は,Gaussフィルタと結合した距離変換を用いて境界指向特徴マップ(BFM)に変換される。次に,変換されたBFMをSDLネットワークの入力として用いて,それを積層畳込み自動符号化(SCAE)に基づく病変分類誘導教師なし画像再構成として特性化した。入力として元の画像を用いた従来のSCAE法およびSDL法とBASDLの性能を比較し,入力としてBFMsを用いたSCAE法を比較した。2つの乳房USデータセットに関する実験結果は,BASDLが4つのネットワークの中で最も良くランク付けされ,分類精度が92.00±2.38%であることを示し,BASDLが小データセットを用いた効果的乳房US病変CADに有望であることを示した。Copyright 2019 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： 畳込み ,  等級づけ ,  *学習 ,  画像診断 ,  ネットワーク ,  画像再構成 ,  Gaussフィルタ ,  *乳房 ,  *超音波 ,  *計算機診断 ,  画像 ,  キャラクタリゼーション
準シソーラス用語： 分類精度 ,  病巣 ,  *深層学習 , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (7件)： 乳房 ,  超音波 ,  コンピュータ支援診断 ,  境界 ,  意識 ,  教師 ,  深層学習