文献

J-GLOBAL ID：202202224858906640   整理番号：22A1051548

遷移ネット:2Dバックボーンから分節3D脳腫瘍へ【JST・京大機械翻訳】

Transition Net: 2D backbone to segment 3D brain tumor

著者 (3件)： Liu Jiahao (College of Computer Science, Hengyang Normal University, Hengyang, Hunan Province, China) ,  Zheng Jinhua (College of Computer Science, Hengyang Normal University, Hengyang, Hunan Province, China) ,  Jiao Ge (College of Computer Science, Hengyang Normal University, Hengyang, Hunan Province, China)
資料名： Biomedical Signal Processing and Control  (Biomedical Signal Processing and Control)
巻： 75  ページ： Null  発行年： 2022年 
JST資料番号： W3347A  ISSN： 1746-8094  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： 事前訓練モデルは2D深層学習処理において広く用いられている。訓練効率的で一般化可能な3D事前訓練モデルは,大量の高価なラベル付き3D画像を必要とする。これは,多くの現在の3D脳腫瘍画像分割法を導き,複雑で硬い構造を有する符号器を設計し,その構造の信頼性を証明するための多くの実験を設計し,セグメンテーションのタスクを困難にする。これらの問題に取り組むために,本研究では,セグメンテーションプロセスを簡単にするために,3D脳腫瘍画像(Transition Net)を分割するために,既存の2Dバックボーンを用いた。符号器としてSwin変換器を用い,3D脳腫瘍画像を分割するために3D畳込みにより構築した復号器と組み合わせた。交差ドメイン変動問題を解くために,遷移ヘッドと遷移デコーダコンポーネントを設計した。遷移ヘッドを用いて入力データをSwin変換器に適した特徴マップに変換した。遷移デコーダを用いて,バックボーンによって抽出したマルチスケール特徴マップを変換し,それらを,最終セグメンテーション結果を得るために,多重ステップにおいてCNN上でサンプリングした特徴によってそれらを融合させた。異なるサブ領域間の相関を活用し,困難なサンプルを能動的に学習するためのモデルを駆動するため,モデルを訓練するための加重領域損失を提案した。BraTS 2019データセットに関する実験は,著者らの方法がET,TC,およびWT領域でそれぞれ0.7485,0.8446,および0.9125のDiceスコアを達成することを示した。3つのサブ領域のための著者らのモデルの平均セグメンテーション性能は,いくつかの他の方法より安定であった。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 ,  信頼性 ,  セグメンテーション ,  復号器 ,  *脳腫瘍 ,  画像 ,  多重化 ,  符号器 ,  *二次元 ,  *三次元
準シソーラス用語： 三次元画像 ,  画像セグメンテーション ,  マルチスケール ,  特徴マップ ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： CNN ,  変圧器 ,  3D脳腫瘍セグメンテーション ,  転移学習 ,  重み付き領域損失

分類 (2件)： 医用画像処理  (JE04020T) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (7件)： 遷移 ,  ネット ,  2D ,  バックボーン ,  分節 ,  3D ,  脳腫瘍