文献

J-GLOBAL ID：201902282236201076   整理番号：19A2288042

MR画像における乳房腫瘍分類と病変の局在化のための弱教師つき3D深層学習【JST・京大機械翻訳】

Weakly supervised 3D deep learning for breast cancer classification and localization of the lesions in MR images

著者 (9件)： Zhou Juan (Department of Radiology, The Fifth Medical Center of Chinese PLA General Hospital, Beijing, 10071, People’s Republic of China) ,  Luo Lu-Yang (Department of Computer Science and Engineering, The Chinese University of Hong Kong, Shatin, N.T., Hong Kong) ,  Dou Qi (Department of Computer Science and Engineering, The Chinese University of Hong Kong, Shatin, N.T., Hong Kong) ,  Chen Hao (Department of Computer Science and Engineering, The Chinese University of Hong Kong, Shatin, N.T., Hong Kong) ,  Chen Hao (Imsight Medical Technology Co., Ltd., Nanshan, Shenzhen, 518000, People’s Republic of China) ,  Chen Cheng (Department of Computer Science and Engineering, The Chinese University of Hong Kong, Shatin, N.T., Hong Kong) ,  Li Gong-Jie (Department of Radiology, The Fifth Medical Center of Chinese PLA General Hospital, Beijing, 10071, People’s Republic of China) ,  Jiang Ze-Fei (Department of Breast Cancer, The Fifth Medical Center of Chinese PLA General Hospital, Beijing, China, 100071) ,  Heng Pheng-Ann (Department of Computer Science and Engineering, The Chinese University of Hong Kong, Shatin, N.T., Hong Kong)
資料名： Journal of Magnetic Resonance Imaging  (Journal of Magnetic Resonance Imaging)
巻： 50  号： 4  ページ： 1144-1151  発行年： 2019年 
JST資料番号： W2648A  ISSN： 1053-1807  資料種別： 逐次刊行物 (A)
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： 背景:乳癌の3D深部学習に基づく分類およびMRIからの悪性腫瘍局在の有用性が報告されている。本研究は,乳癌診断における臨床領域および補助放射線科医において非常に有用である可能性がある。目的:乳癌の診断に対する3D深部畳込み神経回路網(CNN)の有効性を評価し,動的コントラスト強調(DCE)MRIデータで病変を局所化することを,弱く監督された方法で評価する。研究TYPE:遡及的研究。対象:合計1537人の女性研究症例(平均年齢47.5歳±11.8)を2013年3月から2016年12月まで収集した。すべての症例は,放射線科医によって評価されたBI-RADSカテゴリーと同様に病理学結果のラベルを有した。フィールドSTRENGTH/シーケンス:1.5Tダイナミック造影MRI。評価:深い3D密接続ネットワークを,画像を自動的に分類し,病変を局在化するために,画像レベル監視下で訓練した。データセットをランダムに訓練(1073),検証(157),および試験(307)サブセットに分割した。統計的試験:精度,感度,特異性,受信者動作特性曲線下面積(ROC),および乳癌分類のためのMcNemar試験。乳癌局在化のためのDice類似性。【結果】乳癌診断のための最終的アルゴリズム性能は83.7%(307%)の精度(95%信頼区間[CI]:79.1%,87.4%),90.8%(95%CI:80.6%,94.1%),69.3%(95%CI:59.7%,77.5%)を示し,曲線ROCは0.859であった。弱く監督された癌検出は,0.501±0.274の全体的なDice距離を示した。【データ】3D CNNsは,乳癌を診断するために高い精度を示した。弱く監督された学習法は,画像レベルのラベルのみを用いた体積放射線学画像における局所化病変に対して有望であることを示した。Evidenceのレベル:4つの技術的有効性:ステージ1 J.Magn。レソン。画像2019;50:1144-4151。Copyright 2019 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  畳込み ,  部分集合 ,  *乳房腫瘍 ,  有効性 ,  *NMRイメージング ,  信頼区間 ,  *画像 ,  *三次元
準シソーラス用語： 特異性 ,  後向き研究 ,  コントラスト強調 ,  悪性腫瘍 ,  *局在化 ,  *病巣 , 【Automatic Indexing@JST】

著者キーワード (4件)： 弱教師付き位置決め ,  深層学習 ,  乳癌 ,  MRI

分類 (1件)： 腫ようの診断  (GE03020J)

タイトルに関連する用語 (8件)： MR画像 ,  乳房腫瘍 ,  分類 ,  病変 ,  局在化 ,  教師 ,  3D ,  深層学習