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。
医用画像の正確なセグメンテーションは疾患の診断と治療に不可欠である。これらの問題は深層ネットワーク(DN)のような高度に複雑なモデルによって解決され,訓練のための大量のラベル付きデータを必要とする。従って,多くのDNは,しばしば説明し解釈するのが困難な意思決定プロセスを有するタスクまたはイメージングモダリティ特異的アーキテクチャを備えている。ここでは,既存のDNを学習可能な明示的特徴マップ(LEFM)層により誘導される低次元部分空間に埋め込むフレームワークを提案した。既存のDNと比較して,このフレームワークは1つのハイパーパラメータを加え,学習可能なパラメータの数を十分に増加させるだけであった。この方法は,染色された凍結切片のカラー組織病理学的画像のような低次元医用画像のセグメンテーションに限定されている。LEFM層における特徴が元の特徴の多項式関数であるので,提案したLEFM-Netはネットワーク決定の解釈性に寄与する。本研究では,LEFMを既知のネットワークと結合させた:DeepLabv3+,UNet++およびMAネット。新しいLEFM-Netsを,ヘマトキシリンおよびエオシン(H&E)染色凍結切片の画像から肝臓における結腸の腺癌のセグメンテーションに適用した。LEFM-Netsは,10のヒト器官のH&E染色凍結切片の画像からの核セグメンテーションについても試験した。最初の問題において,LEFM-Netは,元のネットワークよりもマイクロバランス精度とF_1スコアに関して統計的に有意な性能改善を達成した。LEFM-Netsは,第2問題に関する元のネットワークと比較して,より良い性能を達成した。ソースコードはhttps://github.com/dsitnik/lefmで利用可能である。【JST・京大機械翻訳】