文献

J-GLOBAL ID：202102240393094703   整理番号：21A0442435

HMOE-Net:CT画像における脳内出血セグメンテーションのためのハイブリッドマルチスケールオブジェクト等化ネットワーク【JST・京大機械翻訳】

HMOE-Net: Hybrid Multi-scale Object Equalization Network for Intracerebral Hemorrhage Segmentation in CT Images

著者 (6件)： He Xizhi (Xiangtan University,Key Laboratory of Intelligent Computing and Information Processing of Ministry of Education,Xiangtan,China,411105) ,  Chen Kai (Affiliated Hospital of Xiangnan University,Department of Radiology,Chenzhou,China,423000) ,  Hu Kai (Xiangtan University,Key Laboratory of Intelligent Computing and Information Processing of Ministry of Education,Xiangtan,China,411105) ,  Chen Zhineng (Institute of Automation, Chinese Academy of Sciences,Beijing,China,100190) ,  Li Xuanya (Baidu Inc.,Beijing,China,100085) ,  Gao Xieping (Xiangtan University,Key Laboratory of Intelligent Computing and Information Processing of Ministry of Education,Xiangtan,China,411105)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： BIBM  ページ： 1006-1009  発行年： 2020年 
JST資料番号： W2441A  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： 本論文では,脳内出血(ICH)領域を分割するために,新しいハイブリッドマルチスケールオブジェクト等化ネットワーク(HMOE-Net)を提案した。特に,ハイブリッドマルチスケールオブジェクト特徴の等化学習の問題を解決するために,浅い特徴抽出ネットワーク(SFENet)と深い特徴抽出ネットワーク(DFENet)を設計した。マルチレベル特徴抽出(MLFE)ブロックをDFENetにおいて提示して,より効果的にマルチレベルセマンティック特徴を調査した。さらに,様々なICH領域の違いをさらに考慮し,マルチスケール物体の等化特徴学習を達成するために,SFENetとDFENetを結合した漸進的特徴抽出戦略を採用した。HMOE-Netの有効性を検証するために,評価のため3つの病院から合計500のCT症例を有する臨床ICHデータセットを収集した。実験結果は,HMOE-Netが6つの最先端の方法より優れていることを示して,マルチスケールICH区域のために正確な分割を達成した。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習 ,  *セグメンテーション ,  *ネットワーク ,  特徴抽出 ,  *等化 ,  有効性 ,  *脳出血
準シソーラス用語： マルチレベル ,  マルチスケール , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： CT画像 ,  脳内出血 ,  セグメンテーション ,  等化