文献

J-GLOBAL ID：202002238135002938   整理番号：20A1184668

3D脳画像ラベリングのためのボクセル非畳込みネットワーク【JST・京大機械翻訳】

Voxel Deconvolutional Networks for 3D Brain Image Labeling

著者 (6件)： Chen Yongjun (Washington State University, Pullman, WA, USA) ,  Gao Hongyang (Washington State University, Pullman, WA, USA) ,  Cai Lei (Washington State University, Pullman, WA, USA) ,  Shi Min (Washington State University, Pullman, WA, USA) ,  Shen Dinggang (University of North Carolina, Chapel Hill, NC, USA) ,  Ji Shuiwang (Washington State University, Pullman, WA, USA)
資料名： ACM Proceedings  (ACM Proceedings)
号： KDD ’18  ページ： 1226-1234  発行年： 2018年 
JST資料番号： D0698C  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： 深い学習法は画素ごとの予測タスクにおいて大きな成功を示した。最も一般的な方法の一つは,デコンボリューション層がアップサンプリング特徴マップに使用される符号器-復号器ネットワークを用いる。しかしながら,デコンボリューション層の重要な限界は,それがチェッカー盤アーチファクト問題に悩まされることである。それは予測精度を害する。これは出力特徴マップ上の隣接画素間の独立性に起因する。以前の研究では,2D空間におけるデコンボリューション層のチェッカー盤アーチファクト問題のみを解いた。デコンボリューション層を生成するのに必要な中間特徴マップの数は次元とともに指数関数的に成長するので,この問題をより高い次元で解くことはより困難である。本研究では,三次元空間におけるデコンボリューション層のチェッカー盤アーチファクト問題を解くためのボクセルデコンボリューション層(VoxelDCL)を提案した。また,VoxelDCLを実装するための効率的なアプローチを提供した。VoxelDCLの有効性を実証するために,VoxelDCLによるUネットアーキテクチャに基づくボクセルデコンボリューションネットワーク(VoxelDCN)の4つの変化を構築した。ADNIとLONI LPBA40データセットを用いて,ボリューム脳画像ラベリングタスクを処理するために,このネットワークを適用した。実験結果は,提案したiVoxelDCNaがすべての実験において改善された性能を達成することを示した。それは,ADNIデータセットに関するdice比率とLONI LPBA40データセットに関する79.12%の条件において83.34%に達して,それはベースラインと比較してそれぞれ1.39%と2.21%を増加した。さらに,VoxelDCNのすべての変化を提案し,上記のデータセット上でベースライン法よりも優れていることを提案し,この方法の有効性を実証した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *畳込み ,  学習 ,  *ネットワーク ,  復号器 ,  指数関数 ,  デコンボリューション ,  画素 ,  符号器 ,  二次元 ,  *三次元 ,  アーチファクト ,  *ボクセル
準シソーラス用語： 予測精度 ,  アップサンプリング ,  特徴マップ , 【Automatic Indexing@JST】

著者キーワード (4件)： 深層学習 ,  容積的脳画像ラベリング ,  ボクセルのデコンボリューション ,  ボクセル非畳込みネットワーク

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 (5件)： 3D ,  脳画像 ,  ラベリング ,  ボクセル ,  畳込み