文献

J-GLOBAL ID：202102217980091951   整理番号：21A0080078

少ないラベリング努力による鼻咽頭癌セグメンテーションの連続改善【JST・京大機械翻訳】

Continual improvement of nasopharyngeal carcinoma segmentation with less labeling effort

著者 (7件)： Men Kuo (National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 100021, China) ,  Chen Xinyuan (National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 100021, China) ,  Zhu Ji (National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 100021, China) ,  Yang Bining (National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 100021, China) ,  Zhang Ye (National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 100021, China) ,  Yi Junlin (National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 100021, China) ,  Jianrong Dai and (National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 100021, China)
資料名： Physica Medica  (Physica Medica)
巻： 80  ページ： 347-351  発行年： 2020年 
JST資料番号： W3316A  ISSN： 1120-1797  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 畳込みニューラルネットワーク(CNN)は,自動化セグメンテーションの有望なアプローチを提供する。しかし,大規模のラベリング輪郭は面倒である。ここでは,より少ないラベリング努力で連続的にセグメンテーションを改善する方法を提案した。コホートは鼻咽頭癌を有する600人の患者を含んだ。提案方法は4つのステップから成った。最初に,初期CNNモデルをスクラッチから訓練し,臨床目標体積のセグメンテーションを行った。第2に,第2のCNNを用いて二値分類器を訓練し,初期モデルがジセ類似性係数(DSC)<0.85を与えるサンプルを同定した。第3に,分類器を用いて,そのようなサンプルを新しいデータから選択した。第4に,最終モデルを,選択した試料のみを用いて,初期モデルから微調整した。分類器は92%の精度でモデルの貧弱なセグメンテーションを検出することができる。提案したセグメンテーション法はDSCを0.82から0.86に改善し,一方,ラベリング努力を45%減少させた。提案方法は,ラベル付き訓練データ量を減らし,長時間にわたって知識を継続的に取得し,微調整し,転送することによってセグメンテーションを改善する。Copyright 2021 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 自動化 ,  学習 ,  *セグメンテーション ,  放射線療法 ,  母集団 ,  類似性
準シソーラス用語： *上咽頭癌 ,  訓練データ ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (4件)： 放射線治療 ,  自動セグメンテーション ,  連続学習 ,  ラベリングの縮小

分類 (3件)： 耳・鼻・咽頭・喉頭の腫よう  (GQ04000E) ,  医用画像処理  (JE04020T) ,  腫ようの放射線療法  (GE03034K)

タイトルに関連する用語 (3件)： ラベリング ,  鼻咽頭癌 ,  セグメンテーション