文献

J-GLOBAL ID：202102220737367270   整理番号：21A2380679

マルチタスク条件付き生成敵対ネットワークによる画素ごとの身体組成予測【JST・京大機械翻訳】

Pixel-wise body composition prediction with a multi-task conditional generative adversarial network

著者 (5件)： Wang Qiyue (Department of Computer Science, The George Washington University, USA) ,  Xue Wu (Department of Statistics, The George Washington University, USA) ,  Zhang Xiaoke (Department of Statistics, The George Washington University, USA) ,  Jin Fang (Department of Statistics, The George Washington University, USA) ,  Hahn James (Department of Computer Science, The George Washington University, USA)
資料名： Journal of Biomedical Informatics  (Journal of Biomedical Informatics)
巻： 120  ページ： Null  発行年： 2021年 
JST資料番号： B0827A  ISSN： 1532-0464  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： 人体組成の解析は,健康管理と疾病予防において決定的役割を果たす。しかし,二重エネルギーX線吸収法,コンピュータ断層撮影法,および磁気共鳴映像法のような身体組成を正確に評価する現在の医療技術は,禁止コストまたは電離放射線の短所を有する。最近,体型スキャナと深さカメラを用いた身体形状ベース技術は,身体形状記述子を知的に解析することにより,体組成推定を改善する新しい機会をもたらした。本論文では,条件付き生成敵対ネットワークを利用したマルチタスク深層ニューラルネットワーク法を提示し,3D物体表面のみを用いて画素レベル体組成を予測した。提案方法は,高精度で単一ネットワークにおける2D皮下および内臓脂肪マップを予測することができる。さらに,2D脂肪マップのテクスチャ精度を最適化する解釈パッチ識別器を導入した。著者らの新しい方法の妥当性と有効性を,TCIAとLiTSデータセットで実験的に実証した。提案手法は,全体脂肪率に対して少なくとも41.3%,皮下および内臓脂肪率に対して33.1%,および局所脂肪予測に対して4.1%の競合法より優れている。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： カメラ ,  最適化 ,  弁別器 ,  *ネットワーク ,  *画素 ,  電離放射線 ,  走査装置 ,  二次元 ,  健康管理 ,  有効性 ,  NMRイメージング ,  計算機トモグラフィー ,  内臓脂肪
準シソーラス用語： 高精度 ,  *マルチタスク , 【Automatic Indexing@JST】

著者キーワード (3件)： 身体組成分析 ,  条件付き生成敵対ネットワーク ,  医療画像処理

分類 (1件)： 医用情報処理  (JE15030Q)

タイトルに関連する用語 (5件)： マルチタスク ,  敵対 ,  画素 ,  身体組成 ,  予測