抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
医用イメージングにおける病変セグメンテーションは,腫瘍サイズを評価し,成長における変化をモニターするための効果的なツールとして役立つ。しかし,手動の病変セグメンテーション時間を消費するだけでなく,それは高価であり,専門家の放射線科医の知識を必要とする。したがって,多くの病院は,固形腫瘍(RECIST)における反応評価基準と呼ばれる緩い代替物に依存している。これらの注釈は正確にはないが,それらは病院を通して広く使用され,それらの画像アーカイブと通信システム(PACS)で見つかる。したがって,これらの注釈は,完全な病変セグメンテーションモデルの訓練のための弱い監視のロバストだが挑戦的な手段として役立つ可能性がある。本研究では,まず,RECISTスライスから擬似マスクを生成し,CTスキャンの対から共通病変を分割できる注意ベース畳込みニューラルネットワークのための訓練ラベルとしてこれらを用いて,弱い教師つき共セグメンテーションモデルを提案した。モデルを検証し,試験するために,著者らは,32,735のPACS書籍画像を含む広範なCTスキャン病変データセットであるDeepLesionデータセットを利用した。広範な実験結果は,90.3%の平均Dice係数を有する病変セグメンテーションに対する著者らの共セグメンテーションアプローチの有効性を実証した。【JST・京大機械翻訳】