文献

J-GLOBAL ID：202202279671100145   整理番号：22A0152432

腹部多臓器セグメンテーションのためのボクセルレベルSiames表現学習【JST・京大機械翻訳】

Voxel-level Siamese Representation Learning for Abdominal Multi-Organ Segmentation

著者 (3件)： Lee Chae Eun (Department of Computer Science and Engineering, Seoul National University, 1 Gwanak-ro, Gwanak-gu, Seoul, 08826, Republic of Korea) ,  Chung Minyoung (School of Software, Soongsil University, 369 Sangdo-Ro, Dongjak-Gu, Seoul, 06978, Republic of Korea) ,  Shin Yeong-Gil (Department of Computer Science and Engineering, Seoul National University, 1 Gwanak-ro, Gwanak-gu, Seoul, 08826, Republic of Korea)
資料名： Computer Methods and Programs in Biomedicine  (Computer Methods and Programs in Biomedicine)
巻： 213  ページ： Null  発行年： 2022年 
JST資料番号： D0213C  ISSN： 0169-2607  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アイルランド (IRL)  言語： 英語 (EN)

抄録/ポイント： 背景と目的:医用画像セグメンテーションにおける最近の研究は,限られた画像アノテーションのため,ボリュームデータから高レベル特徴を符号化するために,様々な深層学習アーキテクチャまたは目的関数を積極的に探索した。しかし,ほとんどの既存のアプローチでは,クロスボリュームグローバルコンテキストを無視し,決定空間におけるコンテキスト関係を定義する傾向がある。本研究では,表現空間を改善するために,腹部多臓器セグメンテーションのための新しいボクセルレベルSiamese表現学習法を提案した。【方法】提案方法は,より良い性能を達成するために,より包括的に限られたデータセットを活用するための表現空間におけるボクセルワイズ特徴関係を強化する。対照的学習の最近の進歩に触発されて,著者らは,同じクラスから負のサンプルを使用することなく同じ点に投影されるボクセル-ワイズ関係を抑制した。さらに,セグメンテーションのための大域的および局所コンテキストの両方をコードする多重隠れ層から特徴を集める多重解像度コンテキスト集約法を導入した。結果:多臓器データセットに関する著者らの実験は,Diceスコア係数において2%の既存のアプローチを凌駕した。表現空間の定性的可視化は,改良が主として非もつれ特徴空間によって獲得されることを示した。結論:著者らの新しい表現学習法は,限られたデータセットを用いることにより,表現空間において高レベル特徴をうまく符号化し,他のコントラスト損失ベース法と比較して医用画像セグメンテーションタスクにおいて優れた精度を示した。さらに,提案手法は推論に追加パラメータを用いることなしに他のネットワークに容易に適用できる。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： コントラスト ,  *学習 ,  *セグメンテーション ,  ネットワーク ,  可視化 ,  多重化 ,  目的関数 ,  計算機アーキテクチャ ,  *ボクセル
準シソーラス用語： 多重解像度 ,  特徴空間 ,  医用画像セグメンテーション ,  画像アノテーション ,  深層学習 ,  *表現学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 腹部CTセグメンテーション ,  医用画像セグメンテーション ,  多臓器セグメンテーション ,  表現学習 ,  Siamesネットワーク

分類 (1件)： 医用画像処理  (JE04020T)

タイトルに関連する用語 (4件)： 腹部 ,  臓器 ,  セグメンテーション ,  表現学習