文献

J-GLOBAL ID：202102289668295522   整理番号：21A0242163

脳腫瘍セグメンテーションのロバスト性【JST・京大機械翻訳】

Robustness of brain tumor segmentation

著者 (6件)： Mueller Sabine (Fraunhofer ITWM, Competence Center High Performance Computing, Kaiserslautern, Germany) ,  Mueller Sabine (Fraunhofer Center Machine Learning, Germany) ,  Mueller Sabine (Saarland University, Faculty of Mathematics and Computer Science, Mathematical Image Analysis Group, Saarbruecken, Germany) ,  Mueller Sabine (Saarland University Medical Center, Department of Pediatric Oncology and Hematology, Homburg, Germany) ,  Weickert Joachim (Saarland University, Faculty of Mathematics and Computer Science, Mathematical Image Analysis Group, Saarbruecken, Germany) ,  Graf Norbert (Saarland University Medical Center, Department of Pediatric Oncology and Hematology, Homburg, Germany)
資料名： Journal of Medical Imaging  (Journal of Medical Imaging)
巻： 7  号： 6  ページ： 064006  発行年： 2020年 
JST資料番号： W5082A  ISSN： 2329-4302  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： 要約。目的:脳腫瘍のセグメンテーションは医用画像分析の最も活発な領域の一つである。現在の方法はベンチマークデータセット上で超人間を実行するが,日常臨床診療におけるそれらの適用性は評価されていない。本研究では,このシナリオにおける深層ニューラルネットワークの一般化挙動を研究した。方法:著者らは,3つの最先端の方法,基本的U-Netアーキテクチャ,およびcascadic Mumford-Shaahアプローチの性能を評価する。また,一般化性能を改善するために2つの簡単な修正(トポロジーを変えない)を提案した。結果:これらの実験では,よく訓練されたUネットワークが最良の一般化挙動を示し,このセグメンテーション問題を解くのに十分であることを示した。現実的なシナリオにおけるこのモデルの拡張が,ポイントレスではあるが,有害でさえある理由を例証した。結論:これらの実験から,深部ニューラルネットワークの一般化性能は,特に脳腫瘍セグメンテーションの領域において,医用画像分析で厳しく制限されると結論付けられた。著者らの意見において,現在のトポロジーは実際のベンチマークデータセットのために最適化されるが,毎日の臨床診療では直接適用できない。Copyright 2020 Society of Photo-Optical Instrumentation Engineers Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 位相幾何学 ,  最適化 ,  *セグメンテーション ,  ネットワーク ,  *脳腫瘍 ,  適応性 ,  ベンチマーク ,  計算機アーキテクチャ ,  *ロバスト性
準シソーラス用語： 医用画像解析 ,  深層学習 ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (4件)： 深層学習 ,  セグメンテーション ,  一般化 ,  脳腫瘍

分類 (1件)： 医用画像処理  (JE04020T)

タイトルに関連する用語 (3件)： 脳腫瘍 ,  セグメンテーション ,  ロバスト性