文献

J-GLOBAL ID：202102278979959881   整理番号：21A0238292

画像分解と移動学習に基づく乳房超音波病変分類【JST・京大機械翻訳】

Breast ultrasound lesion classification based on image decomposition and transfer learning

著者 (6件)： Zhuang Zhemin (Key Laboratory of Digital Signal and Image Processing of Guangdong Province, Department of Electronic Engineering, Shantou University, Shantou, Guangdong, China) ,  Kang Yuqiang (Key Laboratory of Digital Signal and Image Processing of Guangdong Province, Department of Electronic Engineering, Shantou University, Shantou, Guangdong, China) ,  Joseph Raj Alex Noel (Key Laboratory of Digital Signal and Image Processing of Guangdong Province, Department of Electronic Engineering, Shantou University, Shantou, Guangdong, China) ,  Yuan Ye (Key Laboratory of Digital Signal and Image Processing of Guangdong Province, Department of Electronic Engineering, Shantou University, Shantou, Guangdong, China) ,  Ding Wanli (Key Laboratory of Digital Signal and Image Processing of Guangdong Province, Department of Electronic Engineering, Shantou University, Shantou, Guangdong, China) ,  Qiu Shunmin (Imaging Department, First Hospital of Medical College of Shantou University, Shantou, Guangdong, China)
資料名： Medical Physics  (Medical Physics)
巻： 47  号： 12  ページ： 6257-6269  発行年： 2020年 
JST資料番号： A1258A  ISSN： 0094-2405  資料種別： 逐次刊行物 (A)
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： PURPOSE:医用画像解析において,深層学習は,大きな応用可能性を持つ。医用画像から貴重な情報を抽出し,医療と密接な情報を統合する方法を見つけることは,最近,関心の主要な話題になっている。大量の乳房病変超音波画像データを得ることは難しいので,移動学習は通常乳房病変の良性および悪性分類を得るために採用される。しかし,乳房病変超音波画像および重度のスペックル雑音干渉における関心のぼやけない領域のため,畳み込みニューラルネットワークは特徴の抽出において無効であり,従って信頼できない分類結果を提供する。方法:本研究は,画像分解を用いて,乳房病変の入力情報を豊かにするファジィ強化および両側フィルタリング画像を得た。ファジィ強化,バイラテラルフィルタリング,およびオリジナル超音波画像は,知識融合を実現するための事前訓練モデルへの入力として提示されるマルチ特徴データから成る。したがって,乳房病変の有効な特徴を抽出し,次に,分類を達成するために医師によって提供されたグランドトルースで完全接続層を訓練するために使用した。結果:事前訓練VGG16モデルを用いて,マルチ特徴データから特徴を抽出し,これらの特徴を融合して完全接続層を訓練し,分類を実現した。報告された性能スコアは次の通りである。93%の精度,95%の感度,88%の特異性,0.93のF1スコア,および0.97のAUC。結論:特徴抽出のための単一オリジナル超音波画像と比較して,画像分解に基づくマルチ特徴データは,事前訓練モデルをより適切な特徴を抽出することを可能にし,それによって,従来の転送学習技術からのものより良い分類結果を提供する。Copyright 2021 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 干渉 ,  *超音波 ,  *学習 ,  フィルタリング ,  特徴抽出 ,  *乳房 ,  超音波画像 ,  医用画像 ,  曖昧さ
準シソーラス用語： 特異性 ,  *画像分解 ,  スペックル雑音 ,  医用画像解析 ,  グランドトゥルース ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 両側フィルタリング ,  乳房病変超音波画像 ,  特徴抽出 ,  ファジィ強化 ,  伝達学習

分類 (2件)： 医用画像処理  (JE04020T) ,  腫ようの診断  (GE03020J)

タイトルに関連する用語 (6件)： 画像分解 ,  学習 ,  乳房 ,  超音波 ,  病変 ,  分類