文献

J-GLOBAL ID：202202274167759304   整理番号：22A1179429

深層強化学習とビッグデータ分析を用いた三次元マルチモーダルのための医用画像セグメンテーションアルゴリズム【JST・京大機械翻訳】

Medical Image Segmentation Algorithm for Three-Dimensional Multimodal Using Deep Reinforcement Learning and Big Data Analytics

著者 (4件)： Gao Weiwei (College of Information and Technology, Wenzhou Business College, Wenzhou, China) ,  Li Xiaofeng (Department of Information Engineering, Heilongjiang International University, Harbin, China) ,  Wang Yanwei (School of Mechanical Engineering, Harbin Institute of Petroleum, Harbin, China) ,  Cai Yingjie (The First Psychiatric Hospital of Harbin, Harbin, China)
資料名： Frontiers in Public Health (Web)  (Frontiers in Public Health (Web))
巻： 10  ページ： 879639  発行年： 2022年 
JST資料番号： U7097A  ISSN： 2296-2565  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 医用画像診断の影響を制限する分割三次元(3D)マルチモーダル医用画像の相対的重複と低信号対雑音比(SNR)の問題を避けるために,強化学習と大データ分析を用いた3Dマルチモーダル医用画像セグメンテーションアルゴリズムを提案した。Bayes最大事後推定法と改良ウェーブレット閾値関数を用いてウェーブレット収縮アルゴリズムを設計し,ウェーブレット領域における高周波信号成分雑音を除去した。低周波信号成分を両側フィルタリングにより処理し,逆ウェーブレット変換を用いて3Dマルチモーダル医用画像を雑音除去した。深い強化学習に基づくエンドツーエンドDRD U-Netモデルを構築した。雑音除去画像セグメンテーションの特徴抽出能力は,従来の強化学習モデルにおける畳込み層を残留モジュールに変更し,マルチスケールコンテキスト特徴抽出モジュールを導入することによって増加する。3Dマルチモーダル医用画像セグメンテーションを,深層学習強化アルゴリズムにおける報酬と罰機構を用いて行う。3Dマルチモーダル医用画像分割アルゴリズムの有効性を検証するために,LIDC-IDRIデータセット,SCRデータセット,およびDeepLesionデータセットを,本論文の実験データセットとして選択した。結果は,アルゴリズムのセグメンテーション効果が有効であることを示した。反復の数が250に増加したとき,構造類似性は98%に達し,SNRは常に55と60dBの間で維持され,訓練損失は中程度であり,相対重なりと精度は95%を超え,全体的セグメンテーション性能は優れている。読者は,深層強化学習と大データ分析が3Dマルチモーダル医用画像分割アルゴリズムの有効性をどのようにテストするかを理解する。Copyright 2022 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： SN比 ,  *アルゴリズム ,  雑音 ,  畳込み ,  *セグメンテーション ,  フィルタリング ,  特徴抽出 ,  波束 ,  *医用画像 ,  *多モード ,  *三次元 ,  *強化学習 ,  ウェーブレット変換 ,  雑音除去
準シソーラス用語： *画像セグメンテーション , 【Automatic Indexing@JST】

著者キーワード (5件)： 深層強化学習 ,  三次元多モード ,  ウェーブレット収縮 ,  医用画像セグメンテーション ,  高周波信号成分

分類 (1件)： 医用画像処理  (JE04020T)

引用文献 (21件)：

• Li K, Bo J, Wang P, Liu H, Shi Y. Radar active antagonism through deep reinforcement learning: a way to address the challenge of mainlobe jamming. Signal Processing. (2021) 186:108130. doi: 10.1016/j.sigpro.2021.108130
• Prianto E, Kim MS, Park JH, Bae JH, Kim JS. Path planning for multi-arm manipulators using deep reinforcement learning: soft actor-critic with hindsight experience replay. Sensors. (2020) 20:5911. doi: 10.3390/s20205911
• Rabault J, Ren F, Zhang W, Tang H, Xu H. Deep reinforcement learning in fluid mechanics: a promising method for both active flow control and shape optimization. J Hydrodynam. (2020) 32:234-46. doi: 10.1007/s42241-020-0028-y
• Polvara R, Sharma S, Wan J, Manning A, Sutton R. Autonomous vehicular landings on the deck of an unmanned surface vehicle using deep reinforcement learning. Robotica. (2019) 37:1867-82. doi: 10.1017/S0263574719000316
• Liu Q, Liu Z, Xiong B, Xu W, Liu Y. Deep reinforcement learning-based safe interaction for industrial human-robot collaboration using intrinsic reward function. Adv Eng Inform. (2021) 49:101360. doi: 10.1016/j.aei.2021.101360

タイトルに関連する用語 (5件)： 深層強化学習 ,  データ分析 ,  マルチモーダル ,  医用画像セグメンテーション ,  アルゴリズム