文献

J-GLOBAL ID：202102289025658365   整理番号：21A0092047

肺結節3Dセグメンテーションのための多視点二次入力協調深層学習【JST・京大機械翻訳】

Multi-view secondary input collaborative deep learning for lung nodule 3D segmentation

著者 (8件)： Dong Xianling (Present Address: Department of Biomedical Engineering, Chengde Medical University, Chengde City, China) ,  Xu Shiqi (Present Address: Department of Biomedical Engineering, Chengde Medical University, Chengde City, China) ,  Liu Yanli (Present Address: Department of Biomedical Engineering, Chengde Medical University, Chengde City, China) ,  Wang Aihui (Department of Nuclear Medicine, Affiliated Hospital, Chengde Medical University, Chengde City, China) ,  Saripan M. Iqbal (Faculty of Engineering, Universiti Putra Malaysia, Serdang, Malaysia) ,  Li Li (Present Address: Department of Biomedical Engineering, Chengde Medical University, Chengde City, China) ,  Zhang Xiaolei (Present Address: Department of Biomedical Engineering, Chengde Medical University, Chengde City, China) ,  Lu Lijun (School of Biomedical Engineering and Guangdong Provincal Key Laboratory of Medical Image Processing, Southern Medical University, Guangzhou, China)
資料名： Cancer Imaging (Web)  (Cancer Imaging (Web))
巻： 20  号： 1  ページ： 1-13  発行年： 2020年 
JST資料番号： U7458A  ISSN： 1470-7330  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 畳込みニューラルネットワーク(CNN)は二次元(2D)医用画像セグメンテーションに広く適用され,優れた性能をもたらす。しかし,三次元(3D)ノジュールセグメンテーションへの応用は課題として残っている。本研究では,胸部コンピュータ断層撮影(CT)画像の肺画像データベースコンソーシアムおよび画像データベース資源イニシアティブ(LIDC-IDRI)データセットを用いた3D肺結節セグメンテーションのための多視点二次入力残差(MV-SIR)畳込みニューラルネットワークモデルを提案した。サンプルCT画像から肺結節立方体を調製した。さらに,軸,冠状および矢状面の観点から,中心として肺結節立方体においてランダムに選択したボクセルを用いて多視点パッチを生成した。著者らのモデルは6つのサブモデルから成り,それは3D肺結節の学習を特徴の3つの視点にスライスした。各サブモデルはボクセル不均一性と形状不均一性特徴を抽出する。マルチビューパッチをモデルに入力することにより,3D肺結節のセグメンテーションをボクセル分類に変換し,ボクセル点が小結節に属するかどうかを決定した。二次入力残差サブモデルの構造は,残差ブロックとそれに続く二次入力モジュールから成る。6つのサブモデルを統合し,ボクセルポイントがノジュールに属するかどうかを分類し,次にセグメンテーション画像を再構成した。著者らのモデルおよび他の既存のCNNモデルとの比較を用いたテストの結果は,MV-SIRモデルが,0.926のDice係数および0.072の平均表面距離で,肺結節の3Dセグメンテーションにおいて優れた結果を達成し,著者らのMV-SIRモデルは,U-netモデルと同じセグメンテーション精度で,肺結節の3Dセグメンテーションを正確に実行できることを示した。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： *セグメンテーション ,  残差 ,  団塊 ,  再構成 ,  二次元 ,  医用画像 ,  三次元 ,  不均一性 ,  画像データベース ,  ボクセル
準シソーラス用語： CT画像 ,  *肺結節 ,  *三次元セグメンテーション ,  *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 (6件)： 深層学習 ,  マルチビュー ,  医用画像 ,  三次元セグメンテーション ,  二次入力 ,  残存ブロック

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

引用文献 (41件)：

• Milroy MJ. Cancer Statistics: Global and National 2018; https://doi.org/10.1007/978-3-319-78649-0:29-35.
• Med Image Anal; Statistical shape models for 3D medical image segmentation: a review; T Heimann, HP Meinzer; 13; 2009; 543-563; 10.1016/j.media.2009.05.004; citation_id=CR2
• Neuroimage; Deep MRI brain extraction: a 3D convolutional neural network for skull stripping; J Kleesiek, G Urban, A Hubert; 129; 2016; 460-469; 10.1016/j.neuroimage.2016.01.024; citation_id=CR3
• Med Image Anal; A survey on deep learning in medical image analysis; G Litjens, T Kooi, BE Bejnordi; 42; 2017; 60-88; 10.1016/j.media.2017.07.005; citation_id=CR4
• Dou Q, Yu L, Chen H, et al. 3D deeply supervised network for automated segmentation of volumetric medical images. Medical image analysis 2017;41:40-54.

タイトルに関連する用語 (5件)： 肺結節 ,  3Dセグメンテーション ,  視点 ,  協調 ,  深層学習