文献

J-GLOBAL ID：202202266288413074   整理番号：22A1117639

A-LugSeg:胸部X線画像における自動および説明性誘導マルチサイト肺検出【JST・京大機械翻訳】

A-LugSeg: Automatic and explainability-guided multi-site lung detection in chest X-ray images

著者 (5件)： Peng Tao (Department of Radiation Oncology, Medical Artificial Intelligence and Automation Laboratory, University of Texas Southwestern Medical Center, 2280 Inwood Road, Dallas, TX, United States) ,  Gu Yidong (Department of Medical Ultrasound, the Affiliated Suzhou Hospital of Nanjing Medical University, Suzhou Municipal Hospital, Suzhou 215002, Jiangsu, China) ,  Ye Zhenyu (Department of Radiology, the Second Affiliated Hospital of Soochow University, 1055 San Xiang Road, Suzhou, Jiangsu, China) ,  Cheng Xiuxiu (Department of Ultrasound, the Affiliated Children’s Hospital of Soochow University, Suzhou 215003, Jiangsu, China) ,  Wang Jing (Department of Radiation Oncology, Medical Artificial Intelligence and Automation Laboratory, University of Texas Southwestern Medical Center, 2280 Inwood Road, Dallas, TX, United States)
資料名： Expert Systems with Applications  (Expert Systems with Applications)
巻： 198  ページ： Null  発行年： 2022年 
JST資料番号： W0178A  ISSN： 0957-4174  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： 解剖学的形状およびサイズの大きな変動,解剖学的構造間の重複が重複し,解剖学的形状が矛盾するのは,胸部X線(CXR)における正確な肺セグメンテーションを困難な問題である。本論文では,CXRにおける肺セグメンテーションのための2つのサブネットワークから成るA-LugSegと呼ばれる自動手法を提案した。第一は,各入力CXR画像に対して粗いセグメンテーションを完了する深層学習モデル(即ち,Mask-RCNN)に基づくセグメンテーションサブネットワークである。第2は,改良閉鎖主曲線法と強化機械学習を結合することによって,粗いセグメンテーション結果を最適化するために設計された改良サブネットワークであり,そこでは,肺輪郭の可読性誘導数学モデルを機械学習のパラメータによって表現した。3つの公開データセット,すなわち,ShenZhen病院胸部X線データセット(SZCX),日本の放射線医学技術データセット(JSRT),およびMontgomery郡胸部X線データセット(MC)について,それぞれ662のCXR,247のCXR,および138のCXRを含む,提案した方法の性能を評価した。訓練/検証(SZCX)と試験(SZCX/JSRT/MC)のための異なるデータセットを使用した。さらに,著者らは,Dice類似係数(DSC),Jaccard類似性係数(Ω),精度(ACC),精度,感度,および特異性を含む,提案した方法の性能を評価するために,6つの評価尺度を使用した。得た結果(DSC=0.973,Ω=0.958,ACC=0.972,およびDSC<0.001)に対するMCのDSCに対するp値,(DSC=0.971,Ω=0.955,ACC=0.97,およびp-値)は,ハイブリッドデータセット(JSRT+MC)に対して,(DSC=0.972,Ω=0.956,およびACC=0.97),そして,(Precision,感度,および特異性は,0.98以上),既存の最先端手法と比較して,提案した二重サブネットワークセグメンテーションアルゴリズムの優れた性能を示した。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： 最適化 ,  セグメンテーション ,  数学モデル ,  可読性 ,  *肺 ,  解剖学 ,  放射線医学 ,  パラメータ ,  機械学習 ,  学習アルゴリズム
準シソーラス用語： *胸部X線撮影 ,  評価尺度 ,  サブネットワーク ,  肺セグメンテーション , 【Automatic Indexing@JST】

著者キーワード (8件)： 自動肺セグメンテーション ,  胸部X線写真 ,  マルチサイトデータセット ,  マスクRCNN ,  主曲線 ,  改良された適応閉ループ探索アルゴリズム ,  分数次数バックプロパゲーション学習アルゴリズム ,  説明可能性誘導数学モデル

分類 (1件)： 医用画像処理  (JE04020T)

タイトルに関連する用語 (5件)： 胸部X線画像 ,  説明 ,  誘導 ,  マルチ ,  肺