文献

J-GLOBAL ID：202002268680489510   整理番号：20A0218869

BNU-NET ショートAxisMRIにおけるLV MRI解析のための新しい深層学習法【JST・京大機械翻訳】

BNU-Net: A Novel Deep Learning Approach for LV MRI Analysis in Short-Axis MRI

著者 (7件)： Chu Wenhui (University of Houston) ,  Molina Giovanni (University of Houston) ,  Navkar Nikhil V. (University of Houston) ,  Eick Christoph F. (University of Houston) ,  Becker Aaron T. (University of Houston) ,  Tsiamyrtzis Panagiotis (University of Houston) ,  Tsekos Nikolaos V. (University of Houston)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： BIBE  ページ： 731-736  発行年： 2019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)

抄録/ポイント： 本研究は,短軸MRI画像に基づく心臓セグメンテーションの目的のために,BNU-Netと呼ばれる新しい深い学習アーキテクチャを提示した。その名前は医用画像セグメンテーションのためのバッチ正規化(BN)Uネットアーキテクチャから導出される。新しい世代の深いニューラルネットワーク(NN)は畳込みNN(CNN)と呼ばれる。UネットのようなCNNは画像分類タスクに広く使われている。CNNは,特徴の階層を自動的に学習し,分類をロバストに実行するために訓練された訓練モデルである。このアーキテクチャは特徴抽出のための符号化経路と正確な位置決めを可能にする復号化経路から構成されている。このアプローチをUネットと名付けた並列アプローチと比較した。BNU-NetとU-netの両方は,心臓セグメンテーションアプローチである。一方,BNU-Netは各畳込み層の結果にバッチ正規化を採用し,活性化関数として動作する指数関数線形ユニット(ELU)アプローチを適用する。Uネットはバッチ正規化を適用せず,修正線形ユニット(ReLU)に基づいている。提示した研究(i)は,アフィン変換と弾性変形を含む様々な画像前処理技術を容易にし,(ii)新しい深い学習アーキテクチャを用いて前処理画像をセグメント化する。45人の患者からの805のMRI画像を含むデータセットに関する著者らのアプローチを評価した。実験結果は,著者らのアプローチが,Dice係数と平均垂直距離に関して,他の最先端の手法よりも匹敵するか,より良い性能を達成することを明らかにした。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】

シソーラス用語： ロット ,  弾性変形 ,  NMRイメージング ,  ロバスト性 ,  心臓 ,  正規化 ,  セグメンテーション ,  復号化 ,  指数関数 ,  *学習 ,  畳込み ,  計算機アーキテクチャ ,  アフィン変換 ,  特徴抽出 ,  ニューラルネットワーク

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： ショート ,  Lv ,  MRI ,  解析 ,  深層学習