文献

J-GLOBAL ID：202002240932735625   整理番号：20A2439809

二次元超音波画像における一般的介入ツールの深層学習セグメンテーション【JST・京大機械翻訳】

Deep learning segmentation of general interventional tools in two-dimensional ultrasound images

著者 (13件)： Gillies Derek J. (Department of Medical Biophysics, Western University, London, Ontario, N6A 3K7, Canada) ,  Gillies Derek J. (Robarts Research Institute, Western University, London, Ontario, N6A 3K7, Canada) ,  Rodgers Jessica R. (Robarts Research Institute, Western University, London, Ontario, N6A 3K7, Canada) ,  Rodgers Jessica R. (School of Biomedical Engineering, Western University, London, Ontario, N6A 3K7, Canada) ,  Gyacskov Igor (Robarts Research Institute, Western University, London, Ontario, N6A 3K7, Canada) ,  Roy Priyanka (Department of Medical Biophysics, Western University, London, Ontario, N6A 3K7, Canada) ,  Roy Priyanka (Robarts Research Institute, Western University, London, Ontario, N6A 3K7, Canada) ,  Kakani Nirmal (Department of Radiology, Manchester Royal Infirmary, Manchester, M13 9WL, UK) ,  Cool Derek W. (Department of Medical Imaging, Western University, London, Ontario, N6A 3K7, Canada) ,  Fenster Aaron (Department of Medical Biophysics, Western University, London, Ontario, N6A 3K7, Canada) ,  Fenster Aaron (Robarts Research Institute, Western University, London, Ontario, N6A 3K7, Canada) ,  Fenster Aaron (School of Biomedical Engineering, Western University, London, Ontario, N6A 3K7, Canada) ,  Fenster Aaron (Department of Medical Imaging, Western University, London, Ontario, N6A 3K7, Canada)
資料名： Medical Physics  (Medical Physics)
巻： 47  号： 10  ページ： 4956-4970  発行年： 2020年 
JST資料番号： A1258A  ISSN： 0094-2405  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： PURPOSE:多くの介入手順は,リアルタイムフィードバックを提供するために,通常,超音波(US)の時間分解能をレバーする,癌の最適な診断または治療のための計画された目標を達成するために,針または治療アプリケータ(ツール)の正確な配置を必要とする。二次元(2D)画像におけるツールの同定は,識別するのが困難な正確な位置によってしばしば時間がかかる。著者らは,介入応用にわたる広く変化する外観にもかかわらず,複数の解剖学的部位のために,2D US画像におけるツールを,2D US画像でセグメント化するために,深い学習法を開発,実行した。方法:Dice類似性係数(DSC)損失関数を持つU-Netアーキテクチャを用いて,256×256画素に再サイズ化された入力画像におけるセグメンテーションを行った。U-Netは,50%のドロップアウトとネットワークの復号器セクションにおけるトランスポーズ畳込みの利用によって修正した。提案方法は,ファントム実験と同様に,前立腺/婦人科小線源療法,肝アブレーション,および腎臓生検/アブレーション処置から917の画像と手動の分割で訓練された。リアルタイムデータ増強を適用して,一般化可能性を改善し,各時代のデータセットを2倍化した。工具先端と軌跡を同定するための後処理を,2つの異なるアプローチを用いて行い,ランダムサンプルコンセンサス(RANSAC)フィッティングに線形適合を持つ最大島を比較した。【結果】315人の非精液試験画像から手動セグメンテーションへの予測を比較して,全体の中央値[第1四分位,第3四分位]先端誤差,角度誤差,およびDSCは,RANSAC後処理の後,それぞれ,3.5[1.3,13.5]mm,0.8[0.3,1.7]°,および73.3[56.2,82.3]%であった。最低中央値先端と角誤差による予測を婦人科画像で認めた(中央値先端誤差:0.3mm;中央値角誤差:0.4°),腎臓画像の最高誤差(中央値先端誤差:10.1mm;中央値角誤差:2.9°)。腎臓画像上の性能は,USプローブに対する斜め挿入に関連した音響信号の減少と,類似のエコー輝度を有する解剖学的界面数の増加によると考えられた。画像あたり約50msの平均時間で未加工セグメンテーションを行った。結論:著者らの提案した手法は,複数の解剖学的位置から2D US画像におけるツールを正確にセグメント化し,リアルタイムで様々な臨床介入手順を,広範囲の診断および治療癌介入中の画像誘導を改善する可能性を提供することを示した。Copyright 2020 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： 界面 ,  畳込み ,  *超音波 ,  *学習 ,  *セグメンテーション ,  ネットワーク ,  前立腺 ,  画素 ,  ファントム ,  *二次元 ,  解剖学 ,  産婦人科学 ,  *超音波画像 ,  アブレーション ,  計算機アーキテクチャ

著者キーワード (5件)： 自動一般針セグメンテーション ,  畳込みニューラルネットワーク ,  介入手順 ,  リアルタイム ,  超音波画像ガイダンス

分類 (1件)： 医用画像処理  (JE04020T)

タイトルに関連する用語 (4件)： 超音波画像 ,  ツール ,  深層学習 ,  セグメンテーション