文献

J-GLOBAL ID：202102226758983943   整理番号：21A1474066

深層学習対従来型機械学習:非存在または軽度血管病理学による脳MRIにおけるWMHセグメンテーションのパイロット研究【JST・京大機械翻訳】

Deep Learning vs. Conventional Machine Learning: Pilot Study of WMH Segmentation in Brain MRI with Absence or Mild Vascular Pathology

著者 (5件)： Rachmadi Muhammad Febrian (School of Informatics, University of Edinburgh, Edinburgh EH8 9AB, UK) ,  Rachmadi Muhammad Febrian (Centre for Clinical Brain Sciences, University of Edinburgh, Edinburgh EH16 4SB, UK) ,  Valdes-Hernandez Maria Del C. (Centre for Clinical Brain Sciences, University of Edinburgh, Edinburgh EH16 4SB, UK) ,  Agan Maria Leonora Fatimah (Centre for Clinical Brain Sciences, University of Edinburgh, Edinburgh EH16 4SB, UK) ,  Komura Taku (School of Informatics, University of Edinburgh, Edinburgh EH8 9AB, UK)
資料名： Journal of Imaging (Web)  (Journal of Imaging (Web))
巻： 3  号： 4  ページ： 66  発行年： 2017年 
JST資料番号： U7220A  ISSN： 2313-433X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 医用画像解析における深層学習アルゴリズムの使用の後流において,深層学習アルゴリズム(DBM),畳み込み符号器ネットワーク(CEN)およびパッチワイズ畳込みニューラルネットワーク(パッチ-CNN)の性能を,2つの従来の機械学習方式,すなわち,軽度または血管病理学のない脳MRI上の白質超強度(WMH)セグメンテーションのための,サポートベクトルマシン(SVM)およびランダムフォレスト(RF)と比較した。また,著者らは,病変成長アルゴリズム(LGA)と呼ばれるLesionセグメンテーションツール公開ツールボックスにおいて,すべてのこれらのアプローチを比較した。Alzheimer病神経イメージングイニシアティブ(ADNI)データベースの20人の被験者からの60のMRIデータからなるデータセットを用い,各1年1回3年間連続してスキャンした。空間一致スコア,受信者操作特性,および精度-反射性能曲線,体積不一致スコア,イントラ/観察者内信頼性測定および視覚評価との一致を用いて,WMHセグメンテーションのための各学習アルゴリズムの最良構成を見つけた。WMHのバイナリマスクを生成する各アルゴリズムからの確率的出力に対する最適閾値を用いて,SVMとRFは,中間から非常に大きなWMH負荷に対して良い結果をもたらすが,深い学習アルゴリズムは,ほとんどの評価において従来のものより一般的に良好に機能することを示した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  畳込み ,  *セグメンテーション ,  データベース ,  ネットワーク ,  *血管 ,  *血管疾患 ,  Alzheimer病 ,  *機械学習 ,  学習アルゴリズム ,  サポートベクトルマシン
準シソーラス用語： 被験者 ,  ランダムフォレスト ,  *深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (9件)： アルツハイマー病 ,  脳MRI ,  従来の機械学習 ,  深層学習 ,  認知症 ,  白質超強度 ,  セグメンテーション ,  機械学習 ,  医用画像解析

分類 (2件)： 人工知能  (JE08000Z) ,  医用画像処理  (JE04020T)

引用文献 (38件)：

• Wardlaw, J.M.; Smith, E.E.; Biessels, G.J.; Cordonnier, C.; Fazekas, F.; Frayne, R.; Lindley, R.I.; O’Brien, J.T.; Barkhof, F.; Benavente, O.R.; et al. Neuroimaging standards for research into small vessel disease and its contribution to ageing and neurodegeneration. Lancet Neurol. 2013, 12, 822-838.
• Birdsill, A.C.; Koscik, R.L.; Jonaitis, E.M.; Johnson, S.C.; Okonkwo, O.C.; Hermann, B.P.; LaRue, A.; Sager, M.A.; Bendlin, B.B. Regional white matter hyperintensities: Aging, Alzheimer’s disease risk, and cognitive function. Neurobiol. Aging 2014, 35, 769-776.
• Klöppel, S.; Abdulkadir, A.; Hadjidemetriou, S.; Issleib, S.; Frings, L.; Thanh, T.N.; Mader, I.; Teipel, S.J.; Hüll, M.; Ronneberger, O. A comparison of different automated methods for the detection of white matter lesions in MRI data. NeuroImage 2011, 57, 416-422.
• Leite, M.; Rittner, L.; Appenzeller, S.; Ruocco, H.H.; Lotufo, R. Etiology-based classification of brain white matter hyperintensity on magnetic resonance imaging. J. Med. Imaging 2015, 2, 014002.
• Ithapu, V.; Singh, V.; Lindner, C.; Austin, B.P.; Hinrichs, C.; Carlsson, C.M.; Bendlin, B.B.; Johnson, S.C. Extracting and summarizing white matter hyperintensities using supervised segmentation methods in Alzheimer’s disease risk and aging studies. Hum. Brain Mapp. 2014, 35, 4219-4235.

タイトルに関連する用語 (9件)： 深層学習 ,  機械学習 ,  軽度 ,  血管 ,  病理学 ,  脳MRI ,  セグメンテーション ,  パイロット ,  研究