文献

J-GLOBAL ID：202002260358675720   整理番号：20A0300387

カスケード型ブートストラッピングモデルを用いた自動脳腫瘍セグメンテーション【JST・京大機械翻訳】

Automated brain tumor segmentation using cascaded bootstrapping model

著者 (4件)： Qin Lihao (Anhui Univ. (China)) ,  Zhao Haifeng (Anhui Univ. (China)) ,  Zhang Shaojie (Anhui Univ. (China)) ,  Tang Zhenyu (Anhui Univ. (China))
資料名： Proceedings of SPIE  (Proceedings of SPIE)
巻： 11373  ページ： 113731B-5  発行年： 2020年 
JST資料番号： D0943A  ISSN： 0277-786X  CODEN： PSISDG  資料種別： 会議録 (C)
記事区分： 短報  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 脳腫瘍のセグメンテーションは画像ベースの脳腫瘍解析における必須の課題である。多くの深部学習ベース(DL)脳腫瘍セグメンテーション法が提案されている。それらは通常脳腫瘍を3つの異なるサブ領域,すなわち浮腫(ED),増強腫瘍(ET)および入力多モード脳画像からの壊死(NCR)に分割する。それらのいくつかは,入力脳画像におけるボクセルが同時に4つのクラス(すなわち,3つのサブ領域+1背景)の1つに分類されるマルチラベル分類タスクとして脳腫瘍セグメンテーションを扱う。現在提案されている方法は,複数ラベル分類タスクを別々の二値分類タスクに分解し,その各々が三つのサブ領域の一つを分類するのに責任がある。二値分類はマルチラベル分類よりも最適化が容易であるので,二値分類によりより正確なセグメンテーションを達成できる。しかしながら,ほとんどの二値分類ベースの方法はエンドツーエンドではなく,すなわち,各DLモデルは別々に1つの腫瘍サブ領域を分割するために訓練され,それらの間の相関は無視される。この問題を解決するために,本論文では,異なる二値分類タスクの間の相関を考慮した,エンドツーエンドカスケードブートストラッピングDLモデルを提案した。著者らのモデルは,3つのレベルを含み,それを通して,全体の腫瘍(WT),腫瘍コア(TC)およびETをカスケード法で分割した。より重要なことに,各レベルは,以前のレベルから学習された特徴を用いて,対応するセグメンテーションを推定する。さらに,多視点融合を適用して,セグメンテーション性能をさらに高めた。BRATS2017データセットを用いてこの方法を評価し,実験結果はBRATS2017検証セットにおいて優れた性能を示した。COPYRIGHT SPIE. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *腫瘍 ,  最適化 ,  *脳腫瘍 ,  多モード ,  学習 ,  エンドツーエンド方式 ,  壊死 ,  浮腫 ,  ボクセル ,  *セグメンテーション
準シソーラス用語： 二値分類 ,  脳画像 , 【Automatic Indexing@JST】

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

タイトルに関連する用語 (5件)： カスケード ,  ブートストラッピング ,  モデル ,  脳腫瘍 ,  セグメンテーション