文献

J-GLOBAL ID：202202277069043082   整理番号：22A0490660

ニューラルネットワークのアンサンブルを用いた白質超強度セグメンテーション【JST・京大機械翻訳】

White matter hyperintensities segmentation using an ensemble of neural networks

著者 (20件)： Li Xinxin (Key Laboratory of Biomechanics and Mechanobiology, Ministry of Education, Beijing Advanced Innovation Center for Biomedical Engineering, School of Biological Science and Medical Engineering, Beihang University, Beijing, China) ,  Li Xinxin (BioMind Technology AI Center, China National Clinical Research Center for Neurological Diseases, Beijing Tiantan Hospital, Beijng, China) ,  Zhao Yu (Key Laboratory of Biomechanics and Mechanobiology, Ministry of Education, Beijing Advanced Innovation Center for Biomedical Engineering, School of Biological Science and Medical Engineering, Beihang University, Beijing, China) ,  Jiang Jiyang (Centre for Healthy Brain Ageing (CHeBA), School of Psychiatry, UNSW, Sydney, New South Wales, Australia) ,  Cheng Jian (Beijing Advanced Innovation Center for Big Data-Based Precision Medicin, School of Computer Science and Engineering, Beihang University, Beijing, China) ,  Zhu Wanlin (Neuroimaging Center of Excellence, China National Clinical Research Center for Neurological Diseases, Beijing Tiantan Hospital, Capital Medical University, Beijng, China) ,  Wu Zhenzhou (BioMind Technology AI Center, China National Clinical Research Center for Neurological Diseases, Beijing Tiantan Hospital, Beijng, China) ,  Jing Jing (Neuroimaging Center of Excellence, China National Clinical Research Center for Neurological Diseases, Beijing Tiantan Hospital, Capital Medical University, Beijng, China) ,  Zhang Zhe (Neuroimaging Center of Excellence, China National Clinical Research Center for Neurological Diseases, Beijing Tiantan Hospital, Capital Medical University, Beijng, China) ,  Wen Wei (Centre for Healthy Brain Ageing (CHeBA), School of Psychiatry, UNSW, Sydney, New South Wales, Australia) ,  Wen Wei (Neuropsychiatric Institute, Prince of Wales Hospital, Sydney, New South Wales, Australia) ,  Sachdev Perminder S. (Centre for Healthy Brain Ageing (CHeBA), School of Psychiatry, UNSW, Sydney, New South Wales, Australia) ,  Sachdev Perminder S. (Neuropsychiatric Institute, Prince of Wales Hospital, Sydney, New South Wales, Australia) ,  Wang Yongjun (Neuroimaging Center of Excellence, China National Clinical Research Center for Neurological Diseases, Beijing Tiantan Hospital, Capital Medical University, Beijng, China) ,  Liu Tao (Key Laboratory of Biomechanics and Mechanobiology, Ministry of Education, Beijing Advanced Innovation Center for Biomedical Engineering, School of Biological Science and Medical Engineering, Beihang University, Beijing, China) ,  Liu Tao (Beijing Advanced Innovation Center for Big Data-Based Precision Medicin, School of Computer Science and Engineering, Beihang University, Beijing, China) ,  Li Zixiao (Neuroimaging Center of Excellence, China National Clinical Research Center for Neurological Diseases, Beijing Tiantan Hospital, Capital Medical University, Beijng, China) ,  Li Zixiao (Vascular Neurology, Department of Neurology, Beijing TianTan Hospital, Capital Medical University, Beijing, China) ,  Li Zixiao (Chinese Institute for Brain Research, Beijing, China) ,  Li Zixiao (Research Unit of Artificial Intelligence in Cerebrovascular Disease, Chinese Academy of Medical Sciences, Beijing, China)
資料名： Human Brain Mapping  (Human Brain Mapping)
巻： 43  号： 3  ページ： 929-939  発行年： 2022年 
JST資料番号： W2600A  ISSN： 1065-9471  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： 白質高強度(WMHs)は,脳小血管疾患(CSVD)の最も一般的な神経画像マーカーである。WMHの容積と位置は重要な臨床尺度である。U-Net,SE-Net,およびマルチスケール特徴を組み合わせて,WMHを自動的にセグメンテーションし,それらの体積と位置を推定するために,深い完全畳込みネットワークとアンサンブルモデルを使用したパイプラインを提示した。2つのデータセット:60人の患者(中国国立脳卒中登録,CNSRから選択)および60人の患者(MICCAI WMHチャレンジ,MWCから選択)から成る研究データセットから成る臨床ルーチンデータセットを評価した。このパイプラインの性能を,4つの自由に利用できる方法(LGA,LPA,UBO検出器,U-Net)と比較した。さらに,モデル一般化能力にアクセスするために,40人の患者(Older オーストラリア Twins Study and Sydney Measure and Aging Study,OSM)を含む別の研究データセットを選択し,試験した。パイプラインは,研究データセットとDSCによる臨床ルーチンデータセットの両方で最良の性能を達成し,他の方法(p<0.001)より有意に高く,それぞれ0.833と0.783に達した。モデル一般化能力の結果は,研究データセット(DSC=0.736)で訓練されたモデルが臨床データセット(DSC=0.622)で訓練されたモデルより高いことを示した。提案手法はWMHsセグメンテーションにおいて広く用いられているパイプラインを凌駕した。このシステムは,全脳,ロバーおよび解剖学的自動ラベリングWMHに対する画像およびテキスト出力の両方を生成することができた。さらに,著者らの方法のソフトウェアとモデルは,https://www.nitrc.org/projects/what_v1で公的に利用できる。Copyright 2022 Wiley Publishing Japan K.K. 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 ,  *セグメンテーション ,  *ネットワーク ,  *ニューラルネットワーク ,  オーストラリア連邦 ,  ソフトウェア ,  検出器 ,  *白質 ,  脳卒中 ,  血管疾患 ,  解剖学
準シソーラス用語： マルチスケール ,  臨床データ ,  ニューロイメージング ,  Twins , 【Automatic Indexing@JST】

著者キーワード (4件)： CNN ,  アンサンブルモデル ,  セグメンテーション ,  白質超強度

分類 (3件)： 医用画像処理  (JE04020T) ,  医用情報処理  (JE15030Q) ,  脳・神経系モデル  (EL02050C)

タイトルに関連する用語 (4件)： ニューラルネットワーク ,  アンサンブル ,  白質 ,  セグメンテーション