拡大する狭帯域イメージングにおける教師なし機械学習を用いた胃癌疾患範囲の診断に対する境界線決定【JST・京大機械翻訳】

Okumura, S.; Goudo, M.; Hiwa, S.; Yasuda, T.; Kitae, H.; Yasuda, Y.; Tomie, A.; Omatsu, T.; Ichikawa, H.; Yagi, N.; Hiroyasu, T.

プレプリント

J-GLOBAL ID：202202213050798052 整理番号：22P0271609

拡大する狭帯域イメージングにおける教師なし機械学習を用いた胃癌疾患範囲の診断に対する境界線決定【JST・京大機械翻訳】

Demarcation line determination for diagnosis of gastric cancer disease range using unsupervised machine learning in magnifying narrow-band imaging

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (11件)： , , , , , , , , , ,
資料名：
発行年： 2022年05月06日プレプリントサーバーでの情報更新日： 2022年05月06日
JST資料番号： O7002B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

【目的】拡大狭帯域イメージング(M-NBI)ベースの診断における癌性病変と背景粘膜の間の正確な境界線(DL)を決定することは重要である。しかし,初心者内科医にとっては難しい。著者らの目的は,機械学習法を用いて正確なDLを自動的に決定することであった。方法:訓練機械学習モデルの負荷を減らし,大きなデータセットをラベリングできるため,DLsを決定するために教師なし機械学習アプローチを使用した。この方法は次の4段階から成る。1)M-NBI画像は,単純な線形反復クラスタリングを用いてスーパーピクセル(隣接画素のグループ)に分割される。2)画像特徴を各スーパーピクセルに対して抽出した。3)スーパーピクセルを,k平均法を用いていくつかのクラスタにグループ化した。4)クラスタ境界をDL候補として抽出した。提案した方法を検証するために,11例の23M-NBI画像を性能評価に用いた。評価は,内視鏡技師と著者らの方法によって同定されたDLの類似性を調査して,2つのDLの間のユークリッド距離を計算した。11例の単一症例に対して,組織病理学的検査も行い,提案したシステムを評価するために使用した。【結果】11症例の平均ユークリッド距離は,10.65,11.97,7.82,8.46,8.59,9.72,12.20,9.06,22.86,8.45および25.36であった。結果は,クラスタ数の特定選択が,内視鏡技師と同様のDLを検出する提案方法を可能にすることを示した。著者らの方法によって同定されたDLは,経験した医師によって同定されたものと同様に,DLの複雑な形状を表した。また,提案したシステムがクラスタ数を増加させることにより,病理学的に妥当なDLを生成することを確認した。結論:著者らの提案システムは,経験豊かな医師の訓練をサポートでき,また,内視鏡で経験した医師の知識を豊かにする。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , 図形・画像処理一般

, , , , , ,

前のページに戻る