文献

J-GLOBAL ID：202202291365245475   整理番号：22A0482842

網膜血管セグメンテーションのためのマルチレベル注意ネットワーク【JST・京大機械翻訳】

Multi-Level Attention Network for Retinal Vessel Segmentation

著者 (4件)： Yuan Yuchen (Machine Intelligence Laboratory, College of Computer Science, Sichuan University, Chengdu, China) ,  Zhang Lei (Machine Intelligence Laboratory, College of Computer Science, Sichuan University, Chengdu, China) ,  Wang Lituan (Machine Intelligence Laboratory, College of Computer Science, Sichuan University, Chengdu, China) ,  Huang Haiying (Information Management Department of West China Second University Hospital, Sichuan University, Chengdu, Sichuan, China)
資料名： IEEE Journal of Biomedical and Health Informatics  (IEEE Journal of Biomedical and Health Informatics)
巻： 26  号： 1  ページ： 312-323  発行年： 2022年 
JST資料番号： W1135A  ISSN： 2168-2194  CODEN： IJBHA9  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： 眼底画像における自動血管セグメンテーションは,スクリーニング,診断,治療および種々の心血管および眼科疾患の評価において重要な役割を果たす。しかしながら,限られた良く注釈されたデータ,血管の変化するサイズ,および複雑な血管構造のため,網膜血管セグメンテーションは長年の課題となっている。本論文では,AACA-MLA-D-UNetと呼ぶ新しい深層学習モデルを提案し,低レベル詳細情報を完全に利用し,異なる層で符号化した相補的情報を用いて,低モデル複雑性の背景から血管を正確に識別した。提案モデルのアーキテクチャはU-Netに基づいていて,ドロップアウト高密度ブロックを提案して,畳込み層の間の最大血管情報を保存して,過剰適合問題を緩和した。各特徴チャネルの重要性を,自動的に分類するために,適応型の巡回チャネル注意モジュールを,契約経路に埋め込んだ。その後,マルチレベル注意モジュールを提案して,拡大経路から抽出したマルチレベル特徴を統合し,それらを用いて,注意機構を介して各個々の層における特徴を精密化した。提案した方法を3つの公的に利用可能なデータベース,すなわちDRIVE,STARE,およびCHASE_DB1で検証した。実験結果は,提案方法がより低いモデル複雑性で網膜血管セグメンテーションに関してより良いか同等の性能を達成できることを証明した。さらに,提案方法は,いくつかの挑戦的なケースを扱うことができ,強い一般化能力を持っている。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： 畳込み ,  *網膜 ,  データベース ,  *ネットワーク ,  *血管 ,  循環系 ,  眼疾患 ,  精密化 ,  チャネル ,  計算機アーキテクチャ ,  スクリーニング
準シソーラス用語： 高密度 ,  複雑性 ,  *血管セグメンテーション ,  深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 医用画像処理  (JE04020T)

タイトルに関連する用語 (4件)： 網膜血管 ,  セグメンテーション ,  マルチレベル ,  注意