抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】