文献

J-GLOBAL ID：202102237615566063   整理番号：21A3387649

クロスモダリティ画像合成のための粗-精分解能融合と残差学習構造を用いた畳込みニューラルネットワーク【JST・京大機械翻訳】

Convolutional neural network with coarse-to-fine resolution fusion and residual learning structures for cross-modality image synthesis

著者 (20件)： Wu Guoqing (Department of Electronic Engineering, Fudan University, Shanghai, China) ,  Wu Guoqing (The AI Lab of Huashan Hospital, Fudan University, Shanghai, China) ,  Wu Guoqing (Key Laboratory of Medical Imaging Computing and Computer Assisted Intervention of Shanghai, China) ,  Chen Xi (Department of Electronic Engineering, Fudan University, Shanghai, China) ,  Chen Xi (The AI Lab of Huashan Hospital, Fudan University, Shanghai, China) ,  Chen Xi (Key Laboratory of Medical Imaging Computing and Computer Assisted Intervention of Shanghai, China) ,  Shi Zhifeng (Department of Neurosurgery Huashan Hospital, Fudan University, Shanghai, China) ,  Zhang Dachuan (Department of Electronic Engineering, Fudan University, Shanghai, China) ,  Zhang Dachuan (The AI Lab of Huashan Hospital, Fudan University, Shanghai, China) ,  Zhang Dachuan (Key Laboratory of Medical Imaging Computing and Computer Assisted Intervention of Shanghai, China) ,  Hu Zhaoyu (Department of Electronic Engineering, Fudan University, Shanghai, China) ,  Hu Zhaoyu (The AI Lab of Huashan Hospital, Fudan University, Shanghai, China) ,  Hu Zhaoyu (Key Laboratory of Medical Imaging Computing and Computer Assisted Intervention of Shanghai, China) ,  Mao Ying (Department of Neurosurgery Huashan Hospital, Fudan University, Shanghai, China) ,  Wang Yuanyuan (Department of Electronic Engineering, Fudan University, Shanghai, China) ,  Wang Yuanyuan (The AI Lab of Huashan Hospital, Fudan University, Shanghai, China) ,  Wang Yuanyuan (Key Laboratory of Medical Imaging Computing and Computer Assisted Intervention of Shanghai, China) ,  Yu Jinhua (Department of Electronic Engineering, Fudan University, Shanghai, China) ,  Yu Jinhua (The AI Lab of Huashan Hospital, Fudan University, Shanghai, China) ,  Yu Jinhua (Key Laboratory of Medical Imaging Computing and Computer Assisted Intervention of Shanghai, China)
資料名： Biomedical Signal Processing and Control  (Biomedical Signal Processing and Control)
巻： 71  号： PB  ページ： Null  発行年： 2022年 
JST資料番号： W3347A  ISSN： 1746-8094  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： マルチモダリティMRIは,疾患診断および予後評価にますます使用されている。しかし,マルチモーダル画像の取得は,常に,コストと患者の不快感の増加のようないくつかの実用的困難に直面している。本論文では,MRIモダリティ合成のための改良3D UNetモデルを提案して,腫瘍セグメンテーションおよび腫瘍等級づけのような画像分析タスクの性能を改善するために,合成モダリティを使用した。著者らは,基本3D UNetモデルに関する3つの改良によって著者らのモデルを開発した。最初に,構造テクスチャ保存の能力を改善するために,粗い解像度融合ネットワークを構築した。第二に,マッピング関数を学習するための畳込み融合ベース残差学習フレームワークを設計し,より詳細な保存と背景におけるより少ないアーチファクトを導いた。第3に,入力マルチモダリティをより効果的に組み合わせるために,各モダリティのUNet出力特徴マップを融合するために新しいネットワークモジュールを導入した。全部で493ケースを含む1つの個人と2つの公開データセットを,合成検証のために使用した。著者らの提案方法は,2つのデータセットに関するPSNRsにおいて,それぞれ,2.0dBと0.8dBの最良の既存の方法を凌駕する。さらに,2つの別々のラジノミクス応用を用いて,著者らのモダリティ合成法の価値を実証した。画像セグメンテーションアプリケーションにおいて,著者らの方式によって合成されたモダリティの統合は,セグメンテーションDiceを1.3%改善した。神経膠腫等級づけ診断応用では,合成様式の統合は診断精度を8.3%改善した。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： *畳込み ,  *学習 ,  セグメンテーション ,  *ネットワーク ,  *残差 ,  応用プログラム ,  予後 ,  画像分析 ,  *画像合成 ,  三次元 ,  アーチファクト
準シソーラス用語： *モダリティ ,  画像セグメンテーション ,  マルチモダリティ , 【Automatic Indexing@JST】

著者キーワード (5件)： 磁気共鳴イメージング ,  画像合成 ,  Unet ,  マルチスケール ,  残差学習

分類 (1件)： 医用画像処理  (JE04020T)

タイトルに関連する用語 (7件)： モダリティ ,  画像合成 ,  分解能 ,  融合 ,  残差 ,  学習 ,  畳込みニューラルネットワーク