文献

J-GLOBAL ID：202002226957315905   整理番号：20A0494049

深層学習を用いた肺免疫蛍光共焦点画像のマルチクラスセグメンテーション【JST・京大機械翻訳】

Multi-Class Segmentation of Lung Immunofluorescence Confocal Images Using Deep Learning

著者 (4件)： Isaka Shu (Mie University,Department of Electrical and Electronic Engineering,Japan) ,  Kawanaka Hiroharu (Mie University,Department of Electrical and Electronic Engineering,Japan) ,  Aronow Bruce J. (College of Medicine, University of Cincinnati,Department of Biomedical Informatics,OH,USA,45267) ,  Prasath V. B. Surya (University of Cincinnati,Department of Electrical Engineering and Computer Science,OH,USA,45221)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： BIBM  ページ： 2362-2368  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： 深い学習モデルは,現在,画像セグメンテーションや分類のような様々な生物医学画像解析タスクに広く適用されている。しかしながら,深い学習による生物医学画像解析の自動化は,高度に専門化された知識と大量の訓練データを必要とするので,挑戦的である。本研究では,これらのモデルを訓練するための肺画像の合成画像生成と共に,肺免疫蛍光(IF)共焦点画像に対する深い学習モデルを用いた自動マルチクラスセグメンテーションを詳細に述べた。肺画像データの解析は分子レベルでの肺発生の理解に重要であり,断面IF画像は肺の種々の構造の同定に有用である。著者らは,データセットをより大きくするために,前処理としてオーバーラップ作付け法を用いて,深い学習畳込みニューラルネットワーク(CNN)モデルを用いて,マルチクラスセグメンテーションをテストした。さらに,著者らは,深いコンボリューション生成的合成敵ネットワーク(DCGAN)を用いて合成画像を生成して,セグメンテーションマスクを作成するために学習されたセグメンテーションネットワークにおいてそれらを使用した。深い学習セグメンテーションモデルに関して,著者らは,肺IF画像からのマルチクラスセグメンテーションのために,最先端のU-net,SegNet,およびDeepLabv3+ベースのモデルを適合させた。これらの挑戦的な肺IF画像に関する著者らの実験結果は,98.7%を訓練するための最も高いdiスコアと,87.0%の試験が,適合したマルチクラスUネット法によって得られることを示している。さらに,著者らの合成画像生成は,IF共焦点画像における様々な肺構造のセグメンテーションを改善する将来の訓練パラダイムに対して有望であることを示した。Copyright 2020 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： *セグメンテーション ,  前処理 ,  自動化 ,  畳込み ,  画像分析 ,  ネットワーク ,  *学習 ,  学習モデル ,  *蛍光
準シソーラス用語： 畳込みニューラルネットワーク ,  合成画像 ,  訓練データ ,  生物医学 ,  画像セグメンテーション ,  *深層学習 , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  医用画像処理  (JE04020T)

タイトルに関連する用語 (3件)： 深層学習 ,  肺 ,  共焦点