文献

J-GLOBAL ID：202202243327546120   整理番号：22A0913935

ボクセルホップ:構造的MRIを用いたALS疾患分類のための逐次部分空間学習【JST・京大機械翻訳】

VoxelHop: Successive Subspace Learning for ALS Disease Classification Using Structural MRI

著者 (8件)： Liu Xiaofeng (Gordon Center for Medical Imaging, Department of Radiology, Massachusetts General Hospital, Harvard Medical School, Boston, MA, USA) ,  Xing Fangxu (Gordon Center for Medical Imaging, Department of Radiology, Massachusetts General Hospital, Harvard Medical School, Boston, MA, USA) ,  Yang Chao (Facebook AI, Boston, MA, USA) ,  Kuo Chung-Chieh Jay (Department of Electrical and Computer Engineering, University of Southern California, Los Angeles, CA, USA) ,  Babu Suma (Sean M Healey and AMG Center for ALS, Department of Neurology, Massachusetts General Hospital, Harvard Medical School, Boston, MA, USA) ,  Fakhri Georges El (Gordon Center for Medical Imaging, Department of Radiology, Massachusetts General Hospital, Harvard Medical School, Boston, MA, USA) ,  Jenkins Thomas (Sheffield Institute for Translational Neuroscience, University of Sheffield, Sheffield, U.K.) ,  Woo Jonghye (Gordon Center for Medical Imaging, Department of Radiology, Massachusetts General Hospital, Harvard Medical School, Boston, MA, USA)
資料名： IEEE Journal of Biomedical and Health Informatics  (IEEE Journal of Biomedical and Health Informatics)
巻： 26  号： 3  ページ： 1128-1139  発行年： 2022年 
JST資料番号： W1135A  ISSN： 2168-2194  CODEN： IJBHA9  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 深層学習は医用画像データによる疾患の正確な検出と分類のための大きな可能性を持つが,その性能はしばしば訓練データセットと記憶要求の数によって制限される。さらに,多くの深層学習モデルは”ブラックボックス”と考えられ,それによって臨床応用におけるそれらの採用をしばしば制限する。これに取り組むために,著者らは,T2強調構造MRIデータを用いた筋萎縮性側索硬化症(ALS)の正確な分類のために,VoxelHopと呼ばれる連続した部分空間学習モデルを提示する。ポピュラーな畳み込みニューラルネットワーク(CNN)アーキテクチャと比較して,VoxelHopは,バックプロパゲーションなしでより少ないパラメータを有するモジュラーで透明な構造を持ち,したがって,それは小さなデータセットサイズと3Dイメージングデータによく適合した。著者らのVoxelHopは,マルチチャネル3Dデータのための近から遠近の近隣の逐次展開を含む4つのキーコンポーネントを持っている。(2)教師なし次元縮小のための部分空間近似;(3)教師つき次元縮小のためのラベル支援回帰;(4)対照と患者の間の特徴と分類の連結。著者らの実験結果は,合計20人の対照と26人の患者を用いた著者らのフレームワークが,対照から患者を区別する際に93.48%の正確性と0.9394のAUCスコアを達成して,そのロバスト性と有効性を示す,比較的少数のデータセットを有する。また,著者らの完全な評価は,最先端の3D CNN分類手法に対する妥当性と優位性を示した。このフレームワークは,異なる画像モダリティを用いて他の分類タスクに容易に一般化できる。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 近似法 ,  ブラックボックス ,  三次元 ,  有効性 ,  次元縮小 ,  計算機アーキテクチャ ,  ロバスト性 ,  逆伝搬法 ,  筋萎縮性側索硬化症 ,  *ボクセル
準シソーラス用語： モダリティ ,  訓練データ ,  *部分空間 ,  深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (3件)： 医用情報処理  (JE15030Q) ,  医用画像処理  (JE04020T) ,  生体遠隔測定  (EL03030N)

タイトルに関連する用語 (5件)： 構造的MRI ,  ALS ,  疾患分類 ,  逐次 ,  部分空間学習