講演抄録/キーワード |
講演名 |
2019-01-22 13:20
マルチモーダル画像を用いた深層学習ベースの頭部解剖構造抽出 ~ 少量画像データ学習における抽出精度検証 ~ ○杉野貴明・Holger R. Roth・小田昌宏(名大)・金 太一(東大)・森 健策(名大) MI2018-77 |
抄録 |
(和) |
本稿では,実践的な脳外科手術シミュレーションのための精巧な頭部解剖構造モデルデータのデータベース化を図るため,患者頭部のマルチモーダル画像に基づく,Fully convolutional network (FCN)ベースの頭部解剖構造抽出手法について提案する.
特に本研究では,学習データ作成の困難を緩和するため,マルチクラスのセグメンテーションに有効なマルチスケールの画像特徴を獲得するために設計されたFCNを活用し,少量データ学習から高精度な頭部解剖構造抽出を達成する手法の構築を目的としている.
脳動脈瘤患者5名のマルチモーダル画像を基に,少量データ学習からの提案手法の頭部解剖構造抽出精度を検証した.
検証実験の結果より,微小組織の抽出精度に関しては改善の余地が残されているものの,提案手法を用いることで,学習画像データセットの全画像枚数の10 %のみを用いた少量データ学習からでも,平均80 %を超える抽出精度が達成された. |
(英) |
This paper proposes a fully convolutional network-based method for segmenting head anatomical structures from multi-modal images to construct a database of elaborate head anatomical models for practical neurosurgery simulation.
In this study, to ease difficulties in creating annotated data for FCN training, we aim to construct a method to achieve accurate segmentation of head anatomical structures, using FCN designed to obtain multi-scale image features effective for multi-class segmentation, from less training data.
On the bases of multi-modal images of 5 brain aneurysm cases, we validated the performance of the proposed method about segmentation of head anatomical structures from training on sparse annotation data.
From the validation results, we found that the proposed method could achieve the segmentation accuracy of more than 80 % even from training on 10 % of all images for network training. |
キーワード |
(和) |
セグメンテーション / 深層学習 / 頭部解剖構造 / スパースアノテーション / / / / |
(英) |
Segmentation / deep learning / head anatomical structures / sparse annotation / / / / |
文献情報 |
信学技報, vol. 118, no. 412, MI2018-77, pp. 65-70, 2019年1月. |
資料番号 |
MI2018-77 |
発行日 |
2019-01-15 (MI) |
ISSN |
Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
MI2018-77 |