文献

J-GLOBAL ID：202202219124650712   整理番号：22A0575970

RMS-UNet:肝臓および病変セグメンテーションのための残存マルチスケールUNet【JST・京大機械翻訳】

RMS-UNet: Residual multi-scale UNet for liver and lesion segmentation

著者 (3件)： Khan Rayyan Azam (Department of Mechanical Engineering, University of Saskatchewan, Saskatoon, SK S7N 5A9, Canada) ,  Luo Yigang (College of Medicine and Department of Surgery, University of Saskatchewan, Saskatoon, SK S7N 5A9, Canada) ,  Wu Fang-Xiang (Division of Biomedical Engineering, Department of Computer Science, Department of Mechanical Engineering, University of Saskatchewan, Saskatoon, SK S7N 5A9, Canada)
資料名： Artificial Intelligence in Medicine  (Artificial Intelligence in Medicine)
巻： 124  ページ： Null  発行年： 2022年 
JST資料番号： T0685A  ISSN： 0933-3657  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 正確なセグメンテーションは,スキャンした腹部コンピュータ断層撮影(CT)画像上の肝臓の不均一な外観と多様な解剖による肝細胞癌または転移臨床診断の需要である。本研究では,残留ブロックと拡張畳み込みを伴う自動統一レジストレーションフリー深層学習ベースモデルを提示し,エンドツーエンド肝臓と病変セグメンテーションを訓練した。また,マルチチャネル入力画像による新しいスライス間特徴を探索するために,マルチスケールアプローチを利用した。新しい目的関数を導入して,ダイセ係数と絶対体積差のジョイント計量に基づく前とバックグラウンド画素不均衡に対処した。さらに,バッチ正規化を用いて,有用な情報の損失なしに学習を改善した。提案した方法論を広く検証し,公的に利用可能なDircadb,LiTS,Sliver07,およびChaosデータセットの30%で試験した。比較分析は,セグメンテーション競争で頻繁に使用される多重評価尺度に基づいて行った。結果は,Dircadb,LiTS,Sliver07,およびChaos肝臓試験セットについて,97.31,97.38,97.39,および95.49%の平均ジセスコア,およびDircadbとLiTS病変セグメンテーションの91.92と86.70%で,実質的な改善を示した。共通データセット上で最良の病変セグメンテーション性能を達成するべきである。得られた定性的および定量的結果は,著者らの提案モデルが,付加的データセットに関する競合性能によって,肝臓および病変セグメンテーションのための他の最先端の方法より優れていることを実証した。したがって,それは適切な医療セグメンテーション応用に適用できると考えられる。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 畳込み ,  *セグメンテーション ,  *肝臓 ,  画像 ,  画素 ,  多重化 ,  エンドツーエンド方式 ,  モデル ,  目的関数 ,  正規化 ,  肝細胞癌
準シソーラス用語： *マルチスケール ,  腹部CT ,  臨床診断 ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 腹部CT ,  肝臓と病変セグメンテーション ,  深層学習 ,  残差 ,  拡大畳込み

分類 (2件)： 医用画像処理  (JE04020T) ,  消化器の診断  (GH02000P)

タイトルに関連する用語 (6件)： RMS ,  肝臓 ,  病変 ,  セグメンテーション ,  残存 ,  マルチスケール