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。
脳腫瘍の意味論的セグメンテーションは,患者の診断および悪性疾患の進行の継続研究において臨床医を支援する複数のMRIイメージング様式を含む基本的な医用画像分析タスクである。近年,完全畳込みニューラルネットワーク(FCNN)手法は,3D医用画像セグメンテーションのためのデファクト標準になった。ポピュラーな「U字形」ネットワークアーキテクチャは,異なる2Dおよび3Dセマンティックセグメンテーションタスクおよび様々な画像モダリティにわたって最先端の性能ベンチマークを達成した。しかしながら,FCNNにおける畳み込み層の限られたカーネルサイズのため,長距離情報をモデル化するそれらの性能は準最適であり,これは可変サイズの腫瘍のセグメンテーションにおける欠陥を導くことができる。他方,変圧器モデルは,自然言語処理やコンピュータビジョンを含む複数の領域におけるこのような長距離情報を捉える優れた能力を実証した。ビジョン変圧器とそれらの変異体の成功に触発されて,Swin UNEt TRansors(Swin UNETR)と呼ばれる新しいセグメンテーションモデルを提案した。特に,3D脳腫瘍意味セグメンテーションのタスクを,マルチモーダル入力データを埋込みの1Dシーケンスに投影し,エンコーダとして階層的Swin変圧器への入力として使用する配列予測問題に対するシーケンスとして再定式化した。スウィン変圧器符号器は,自己注意を計算するためのシフト窓を利用して5つの異なる解像度で特徴を抽出し,スキップ接続を介して各解像度でFCNNベース復号器に接続した。著者らはBraTS 2021セグメンテーションチャレンジに参加し,提案モデルは検証フェーズにおけるトップパーフォーマンスアプローチの中でランクする。コード:https://monai.io/research/swin unetr;【JST・京大機械翻訳】