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。
無線カプセル内視鏡検査(WCE)は,消化管(GI)疾患のスクリーニング,特に小腸の非侵襲的で無痛のイメージングの利点のために広く使用されてきた。しかし,WCEによって捕捉された膨大な量の画像データは,膨大な量のタスクを必要とするプロセスを手動で読むことを可能にし,病変の検出と誤検出を容易に見逃す。したがって,本論文では,WCE画像シーケンスにおける小さな腸ポリープと腫瘍を自動的に検出するために,Two-stage Multi-scale Feture-fusion学習ネットワーク(TMFNet)を提案した。特に,TMFNetは病変検出ネットワークと病変同定ネットワークから成る。それらの中で,前者は従来のFaster R-CNNネットワークに基づく特徴抽出モジュールと検出モジュールを改善し,領域提案ネットワーク(RPN)モジュールにおけるアンカのパラメータを再調整する。後者は,残差構造と特徴ピラミッド構造を結合して,特徴融合に基づく小型腸病変認識ネットワークを構築し,前者の偽陽性率を減らし,全体的精度を改善した。実験では22,335のWCE画像を用いて,合計123,092の病変領域を用いて,本論文の検出フレームワークを訓練した。実験では,検出フレームワークを訓練し,病院胃腸病学部門によって提供された実際のWCE画像データセットで試験した。RPMに関する最終モデルの感度,偽陽性および精度は,それぞれ98.81%,7.43%および92.57%であった。一方,病変画像に関する対応する結果は,98.75%,5.62%および94.39%であった。本論文で提案したアルゴリズムモデルは,検出効果と性能における他の検出アルゴリズムより明らかに優れている。【JST・京大機械翻訳】