部分的注釈付き画像を用いた意味セグメンテーションのためのCNN分類器の訓練:ヒト大腿および子ウシMRIへの応用【JST・京大機械翻訳】

Wong Chun Kit; Marchesseau Stephanie; Kalimeri Maria; Yap Tiang Siew; Teo Serena S. H.; Krishna Lingaraj; Franco-Obregon Alfredo; Tay Stacey K. H.; Khoo Chin Meng; Lee Philip T. H.; Leow Melvin K. S.; Totman John J.; Stephenson Mary C.

プレプリント

J-GLOBAL ID：202202218472425773 整理番号：22P0182041

部分的注釈付き画像を用いた意味セグメンテーションのためのCNN分類器の訓練:ヒト大腿および子ウシMRIへの応用【JST・京大機械翻訳】

Training CNN Classifiers for Semantic Segmentation using Partially Annotated Images: with Application on Human Thigh and Calf MRI

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 (13件)： , , , , , , , , , , , ,
資料名：
発行年： 2020年08月16日プレプリントサーバーでの情報更新日： 2020年08月16日
JST資料番号： O7000B 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:ピクセルレベルラベルを有する医用画像データセットは,画像が広い解剖学的範囲を持つ場合でも,限られた数の器官または組織ラベルクラスを有する傾向がある。教師つき学習により,これらの部分注釈データセットを与えられた場合,複数の分類器が通常必要である。本研究では,半教師つき学習に移動せずに,複数のデータセットで不均一に注釈付けされたすべてのラベルクラスをセグメンテーションする一つの単一分類器を訓練するための一連の戦略を提案した。方法:Masksは,存在マスキングと呼ばれるプロセスを通して各ラベル画像から最初に作成した。3つの存在マスキングモードを評価し,主に,注釈付けと非注釈クラスに割り当てられた重さで異なった。次に,これらのマスクを訓練中の損失関数に適用し,非注釈クラスの影響を除去した。結果:公的に利用可能なCTデータセットに対する評価は,存在マスキングがクラスジェネリック分類器の訓練のための実行可能な方法であることを示した。クラス-ジェネリック分類器は,複数のクラス特異的分類器を組み合わせ,一方,訓練時間は1クラス特異的分類器に必要なものと類似している。さらに,クラスジェネリック分類器は,より小さなデータセット上で訓練された場合,クラス固有分類器を凌駕できる。最後に,インハウスで収集されたヒト大腿および子牛MRIデータセットに対する評価から一貫した結果を観察した。結論:評価結果は,存在マスキングが画像モダリティと解剖学的領域にわたって訓練と推論効率の両方を有意に改善することを示した。改善された性能は,小さなデータセットでも観測された。意義:存在マスキング戦略は,手動医用画像アノテーションに含まれる計算資源とコストを減らすことができる。すべてのコードはhttps://github.com/wong ck/DeepSegmentで公開されている。【JST・京大機械翻訳】

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

人工知能 , パターン認識

, , , , , , , , , ,

前のページに戻る