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。
【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】