文献

J-GLOBAL ID：202002286234027173   整理番号：20A2076598

胸部X線ラジオグラフィーにおける黒肺検出のための深層学習モデルの性能比較【JST・京大機械翻訳】

Performance Comparison of Deep Learning Models for Black Lung Detection on Chest X-ray Radiographs

著者 (4件)： Devnath Liton (School of Electrical Engineering and Computing, The University of Newcastle, Callaghan, NSW, Australia) ,  Luo Suhuai (School of Electrical Engineering and Computing, The University of Newcastle, Callaghan, NSW, Australia) ,  Summons Peter (School of Electrical Engineering and Computing, The University of Newcastle, Callaghan, NSW, Australia) ,  Wang Dadong (Quantitative Imaging, CSIRO Data61, Sydney, NSW, Australia)
資料名： ACM Proceedings  (ACM Proceedings)
号： ICSIM ’20  ページ： 150-154  発行年： 2020年 
JST資料番号： D0698C  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： 黒肺(BL)は,呼吸性炭塵の長期吸入に起因する難治性呼吸器疾患である。信頼性制約と疾患発生率はBLデータセットのアベイラビリティを制限し,深層学習(DL)モデルの訓練において大きな課題を示す。本論文は,小さなデータセットによるBL検出のための7つのDLモデルの実現と詳細な性能比較を提示する。モデルはVGG16,VGG19,IncepV3,X開始,ResNet50,高密度Net121およびCheXNetを含む。7つの深層学習モデルを訓練するために,実画像と合成画像の小BLデータセットを用いた。BL有りと無しのセグメント化肺X線画像を訓練画像として用いて,ベンチマークを確立した。深層学習システムを訓練するのに必要な画像数を増加させるため,訓練データセットを,Cycle-Consisent Adversarial Network(CycleGAN)とKeras Image Data Generatorを用いて拡張し,付加的拡張と合成ラジオグラフを生成した。また,ブロッキング因子としての異なるドロップアウトノードの影響を,7つのモデルすべてに関して調査した。最良の感度(Normal予測率),特異性(BL予測率),誤り率(ERRまたは不正確な予測率),精度(1-ERR),および増強の有無による各モデルのバイナリ分類のための全実行時間を最適BL検出に対して比較した。平均して,CheXNetモデルはすべての7つのDLモデルの最良の性能を与えた。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 信頼性 ,  セグメンテーション ,  計算機診断 ,  吸入 ,  呼吸器疾患 ,  アベイラビリティ ,  ブロッキング ,  *放射線画像 ,  X線画像 ,  ベンチマーク
準シソーラス用語： 訓練データ ,  実行時間 ,  *深層学習 ,  二値分類 , 【Automatic Indexing@JST】

著者キーワード (7件)： 黒肺 ,  石炭労働者の塵肺症 ,  コンピュータ支援診断 ,  サイクルGAN ,  深層学習 ,  ケラ ,  塵肺症

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (7件)： 胸部 ,  X線ラジオグラフィー ,  黒 ,  肺 ,  深層学習 ,  モデル ,  性能比較