文献

J-GLOBAL ID：202202245364197141   整理番号：22A1087080

CMOS術中プローブのための高特異性における感度改善のための深層学習信号識別【JST・京大機械翻訳】

Deep Learning Signal Discrimination for Improved Sensitivity at High Specificity for CMOS Intraoperative Probes

著者 (4件)： Moo Joshua (School of Biomedical Engineering and Imaging Sciences, King’s College London, London, U.K.) ,  Marsden Paul (School of Biomedical Engineering and Imaging Sciences, King’s College London, London, U.K.) ,  Vyas Kunal (Research Department, Lightpoint Medical Ltd., Chesham, U.K.) ,  Reader Andrew J. (School of Biomedical Engineering and Imaging Sciences, King’s College London, London, U.K.)
資料名： IEEE Transactions on Radiation and Plasma Medical Sciences  (IEEE Transactions on Radiation and Plasma Medical Sciences)
巻： 6  号： 4  ページ： 446-453  発行年： 2022年 
JST資料番号： W2475A  ISSN： 2469-7311  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： 癌切除手術中の癌と健康な組織の間の境界を描写する課題は,切除を容易にするために放射性トレーサで標識した癌細胞を検出する術中プローブの使用で対処できる。本研究では,バックグラウンドγ線信号阻止のための深層学習アルゴリズムを,99mTcから内部変換電子の検出に向けて最適化したCMOSモノリシック能動ピクセルセンサを利用する術中プローブのために調査した。畳み込みニューラルネットワーク(CNN)を利用する2つの方法を,ベータガンマ識別のために調査した。1)プローブからのセンサアレイ出力(SAO)から分離されるイベントクラスタの分類と,2)分類に関する空間情報を提供するSAOの取得フレーム内のイベントクラスタの意味論的セグメンテーション。本研究の方法の実現可能性を,14C,57Co,および99mTcを含むいくつかの放射性核種で探査した。全体として,分類深層ネットワークは,受信機動作特性(ROC)の曲線(AUC)の下で改善領域を達成することができ,より従来の特徴ベースの識別器に対する0.88と比較して,14Cベータおよび99mTcガンマクラスタに対して0.93を与えた。訓練中のカスタマイズAUC損失関数を用いたROCのより低い左領域のさらなる最適化は,通常の方法と比較して,低い偽陽性率において感度の31%の改善をもたらした。セグメンテーション深層ネットワークは,0.93の平均ダイセスコアを達成できる。すべての方法の直接比較を通して,分類方法はAUCに関してより良い性能を有することがわかった。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： γ線 ,  最適化 ,  弁別器 ,  意味論 ,  セグメンテーション ,  損失関数 ,  ネットワーク ,  受信機 ,  腫瘍細胞 ,  クラスタ ,  *信号弁別 ,  切除術 ,  *機械学習 ,  学習アルゴリズム
準シソーラス用語： *深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  医用画像処理  (JE04020T)

タイトルに関連する用語 (6件)： CMOS ,  プローブ ,  特異性 ,  感度 ,  深層学習 ,  信号識別