文献

J-GLOBAL ID：202102289507175803   整理番号：21A0234597

PET減衰補正のための転送学習を用いたマルチMRイメージングプロトコルのための深層学習ベースセグメンテーション【JST・京大機械翻訳】

Deep Learning based Segmentation for Multi MR Imaging Protocols using Transfer Learning for PET Attenuation Correction

著者 (4件)： Mecheter Imene (Brunel University London,Department of Electronics and Computer Engineering,Uxbridge,UK) ,  Amira Abbes (Institute of Artificial Intelligence De Montfort University,Leicester,UK) ,  Abbod Maysam (Brunel University London,Department of Electronics and Computer Engineering,Uxbridge,UK) ,  Zaidi Habib (Geneva University Hospital,Division of Nuclear Medicine and Molecular Imaging,Geneva,Switzerland)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： SSCI  ページ： 2516-2520  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： 磁気共鳴(MR)画像セグメンテーションは,PET減衰補正に用いるロバストな技術である。しかし,異なる組織クラスへの脳のセグメンテーションは,ピクセル強度値の類似性のため,挑戦的なタスクである。本研究の目的は,50人の患者から成るデータセットのT1強調MR画像を分割するための深層学習ネットワークを提案することである。さらに,転送学習を適用して,T2強調である別のMR画像プロトコルをセグメント化した。T1強調画像による事前訓練ネットワークを微調整し,14人の患者のみのデータセットで試験した。T1強調MR画像に対する空気,軟組織および骨クラスのDice係数は,それぞれ0.98,0.92および0.79であった。転送学習の結果は,T1強調画像で訓練された深いネットワークを,T2強調画像を分割するために,微調整の実現可能性を示した。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： 磁気共鳴 ,  *学習 ,  *セグメンテーション ,  ネットワーク ,  画素 ,  類似性 ,  *NMRイメージング ,  ロバスト性 ,  軟部組織
準シソーラス用語： 画像セグメンテーション ,  T1強調画像 ,  T2強調画像 ,  減衰補正 ,  微調整 ,  *深層学習 , 【Automatic Indexing@JST】

分類 (5件)： 音声処理  (JE05000E) ,  符号理論  (ND02030R) ,  図形・画像処理一般  (JE04010I) ,  専用演算制御装置  (JC04030Y) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (9件)： PET ,  減衰補正 ,  転送 ,  学習 ,  マルチ ,  MRイメージング ,  プロトコル ,  深層学習 ,  セグメンテーション