文献

J-GLOBAL ID：202102252505959982   整理番号：21A0575652

領域および距離計量に基づくCNNによる3D肝臓および腫瘍セグメンテーション【JST・京大機械翻訳】

3D Liver and Tumor Segmentation with CNNs Based on Region and Distance Metrics

著者 (4件)： Zhang Yi (China Academy of Information and Communications Technology, Beijing 100191, China) ,  Pan Xiwen (Beijing University of Posts and Telecommunications, Beijing 100876, China) ,  Li Congsheng (China Academy of Information and Communications Technology, Beijing 100191, China) ,  Wu Tongning (China Academy of Information and Communications Technology, Beijing 100191, China)
資料名： Applied Sciences (Web)  (Applied Sciences (Web))
巻： 10  号： 11  ページ： 3794  発行年： 2020年 
JST資料番号： U7135A  ISSN： 2076-3417  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： 腹部コンピュータ断層撮影(CT)画像に基づく肝臓および肝臓腫瘍セグメンテーションは,コンピュータ支援臨床介入における必須段階である。しかし,肝臓と腫瘍セグメンテーションは医用画像処理分野での困難な課題であり,それは肝臓の解剖学的複雑性と画像上の肝臓と他の近隣器官の間の不十分な境界に起因する。Vネットのような完全畳み込みネットワークに基づく既存の3D自動肝臓と腫瘍セグメンテーションアルゴリズムは,分割領域(例えばDiceまたは交差エントロピー)上の統合(合計)に基づいて損失関数を利用した。残念ながら,前景および背景ボクセルの数は,通常,肝臓および腫瘍セグメンテーションタスクにおいて高度に不均衡である。これは,様々なセグメンテーションクラス間の地域損失の値を大きく変化させ,訓練安定性と効果に影響する。本研究では,領域および距離計量に基づく3D肝臓および腫瘍セグメンテーションのために,改良V-netアルゴリズムを適用した。距離メトリックベース損失関数は,面積よりむしろ輪郭(または形状)空間の距離計量を利用した。モデルは,元の地域損失と3つの距離ベースの損失関数(境界(BD)損失,Hausdorff(HD)損失,およびSigned距離マップ(SDM)損失を含む)によって共同訓練され,高度に不均衡な肝臓と腫瘍セグメンテーションの問題を解決した。さらに,このアルゴリズムを,2つのデータベースLiTS2017(Munich,ドイツ,2017)および3D-IRCADb(Research Institute for Research Cancer,Strasbourg Cedex,フランス,2009)で試験し,結果は改善の有効性を証明した。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 ,  エントロピー ,  *セグメンテーション ,  損失関数 ,  データベース ,  ネットワーク ,  *腫瘍 ,  解剖学 ,  *三次元 ,  CAE【計算機】 ,  肝臓腫瘍 ,  ボクセル
準シソーラス用語： 腹部CT ,  前景 ,  医用画像処理 , 【Automatic Indexing@JST】

著者キーワード (3件)： 肝臓と腫瘍セグメンテーション ,  完全畳込みネットワーク ,  距離計量

分類 (1件)： 医用画像処理  (JE04020T)

引用文献 (47件)：

• Christ, P.F.; Elshaer, M.E.A.; Ettlinger, F.; Tatavarty, S.; Bickel, M. Automatic liver and lesion segmentation in CT using cascaded fully convolutional neural networks and 3D conditional random fields. In Proceedings of the International Conference on Medical Image Computing and Computer-Assisted Intervention, Athens, Greece, 17-21 October 2016; Springer: Cham, Switzerland, 2016; pp. 415-423.
• Kainmüller, D.; Lange, T.; Lamecker, H. Shape constrained automatic segmentation of the liver based on a heuristic intensity model. In Proceedings of the MICCAI Workshop 3D Segmentation in the Clinic: A Grand Challenge, Brisbane, Australia, 29 October 2007; pp. 109-116.
• Li, X.; Chen, H.; Qi, X.; Dou, Q.; Fu, C.-W.; Heng, P.-A. H-DenseUNet: Hybrid densely connected UNet for liver and tumor segmentation from CT volumes. IEEE Trans. Med. Imaging 2018, 37, 2663-2674.
• Heimann, T.; Van Ginneken, B.; Styner, M.A.; Arzhaeva, Y.; Aurich, V.; Bauer, C.; Beck, A.; Becker, C.; Beichel, R.; Bekes, G.; et al. Comparison and evaluation of methods for liver segmentation from CT datasets. IEEE Trans. Med. Imaging 2009, 28, 1251-1265.
• Deng, X.; Du, G. 3D segmentation in the clinic: A grand challenge II-liver tumor segmentation. In Proceedings of the MICCAI Workshop, New York, NY, USA, 7-10 September 2008.

タイトルに関連する用語 (6件)： 計量 ,  CNN ,  3D ,  肝臓 ,  腫瘍 ,  セグメンテーション