組織病理学的画像を用いた有糸分裂核の分類のためのチャネルブースト畳込みニューラルネットワーク【JST・京大機械翻訳】

Aziz Abdullah; Sohail Anabia; Fahad Labiba; Burhan Muhammad; Wahab Noorul; Khan Asifullah

文献

J-GLOBAL ID：202002259585718720 整理番号：20A0915083

組織病理学的画像を用いた有糸分裂核の分類のためのチャネルブースト畳込みニューラルネットワーク【JST・京大機械翻訳】

Channel Boosted Convolutional Neural Network for Classification of Mitotic Nuclei using Histopathological Images

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=20A0915083&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=20A0915083&from=J-GLOBAL&jstjournalNo=W2441A") }}

著者 (6件)： , , , , ,
資料名：
巻： 2020 号： IBCAST ページ： 277-284 発行年： 2020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)

深い学習技術を用いた診断モデルの開発は,コンピュータ支援診断(CAD)システムにおける研究の重要な領域の一つである。有糸分裂分類の過程を自動化するために,深い学習に基づくCADシステムを開発した。しかしながら,有糸分裂分類は通常クラス不均衡問題に悩まされ,さらに,有糸分裂と非有糸分裂核の間の高い類似性と外観と形状の相違は,分裂核の分類を研究の挑戦的な領域にする。診断に医用画像を使用するCADシステムの品質は,より良い結果を得るために,画像特徴がどのように操作されるかに依存する。本研究では,乳癌有糸分裂核を分類するために,チャネルBoosted Convolution Neural Network(CB-CNN)の新しい技術を提案した。この技術において,CNNの特徴表現を,不均一およびスパースデータに対するモデルの一般化を増加させるために,元の特徴空間(Red,GreenおよびBlueチャネル)とともに補助特徴チャネルを追加することにより,ブーストした。提案した方法において,有糸分裂および非有糸分裂核の最初(80x80)パッチを,ヒストグラムに基づく二値閾値化を実行することにより,組織病理学的画像から抽出した。CB-CNNの開発のために,補助特徴学習者の可能性を利用して,高水準特徴表現を学習した。これに関して,テクスチャと勾配ベースの特徴チャネルの追加集合を,データの元のRGB特徴空間と連結した。このブースト表現を特注の深いCNNモデルに割り当てた。提案したCB-CNNの学習能力を,TUPAC’16チャレンジデータセット上で評価した。チャネルブースティングに基づくCNNs(CB-CNNに対する0.53,CB-VGGに対する0.71,CB-ResNetに対する0.54)は,SVM(Fスコア:0.42)と比較してFスコアに関して改善された性能を示し,転送学習の有無によりベースラインCNN(CNNに対して0.47,VGGに対して0.55,RecNetに対して0.44)を示した。CB-CNNの改善された性能は,チャネル表現のブースティングが,特徴空間をより汎用的で柔軟にすることにより,CNNの一般化を改善することを示唆し,したがって,それを不均一データに対してロバストにする。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】

, , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

図形・画像処理一般

, , , , ,

前のページに戻る