お知らせ ◆映像情報メディア学会における研究会の開催について (新型コロナウイルス関連)2021年7月21日更新
映像情報メディア学会 研究会発表申込システム
講演論文 詳細
技報閲覧サービス
技報オンライン
 トップに戻る 前のページに戻る   [Japanese] / [English] 

講演抄録/キーワード
講演名 2022-05-20 16:40
2.5DデフォーマブルコンボリューションCNNを用いた3D医用画像のセグメンテーション
奥村裕也工藤博幸滝沢穂高筑波大
抄録 (和) 深層学習を用いた3D医用画像セグメンテーションの精度を向上させる有効な手法として、臓器構造の個人差や位置ずれを変位ベクトル場を用いて吸収することが可能なデフォーマブルコンボリューションCNNを用いるものが存在するが、2Dから3Dに自然に拡張すると変位ベクトル場の計算や保存のため計算量が膨大になり非実用的である。本研究では、この問題を解決する手法として、xy水平断面、yz水平断面、xz水平断面の2D断面でデフォーマブルコンボリューションCNNでセグメンテーションを行い、その結果を多数決投票により統合して3Dセグメンテーション結果を得る、いわば2.5Dの手法を提案する。腹部CT実画像データセットを用いた実験の結果、デフォーマブルコンボリューションの導入により提案手法の精度が通常の深層学習を用いた手法と比較して優れ、かつ2.5Dの手法にしたため計算量は現実的なものに収まった。 
(英) An effective method to improve the accuracy of 3D medical image segmentation using deep learning is to use deformable convolutional CNN, which can absorb individual differences in organ structure and misalignment using displacement vector fields. However, the natural extension from 2D to 3D is impractical due to the huge amount of computation required to calculate and store the displacement vector fields. In this study, we propose a 2.5D method to solve this problem, in which a deformable convolutional CNN is used to perform segmentation in 2D cross sections of xy, yz, and xz horizontal sections, and the results are integrated by majority voting to obtain 3D segmentation results. Experimental results on a real CT image dataset of the abdomen show that the proposed method is more accurate than conventional deep learning methods due to the introduction of deformable convolution, and the computational complexity of the proposed method is realistic for a 2.5D method.
キーワード (和) 医用画像 / 深層学習 / 畳み込みニューラルネットワーク / 三次元医用画像 / コンピュータ支援検出システム / 解剖学的構造の自動認識・検出 / /  
(英) CT images / Deep learning / Convolutional Neural Networks / 3D CT images / Computer-aided Detection Systems / Automatic recognition and detection of anatomical structures / /  
文献情報 映情学技報
資料番号  
発行日  
ISSN  
PDFダウンロード

研究会情報
研究会 IEICE-SIP IEICE-BioX IEICE-IE IEICE-MI IST ME  
開催期間 2022-05-19 - 2022-05-20 
開催地(和) 熊本大工学部 
開催地(英) Kumamoto University 
テーマ(和) 信号・映像・医用画像・マルチメディアデータの処理・解析と応用,一般 
テーマ(英)  
講演論文情報の詳細
申込み研究会 IEICE-MI 
会議コード 2022-05-SIP-BioX-IE-MI-IST-ME 
本文の言語 日本語 
タイトル(和) 2.5DデフォーマブルコンボリューションCNNを用いた3D医用画像のセグメンテーション 
サブタイトル(和)  
タイトル(英) 3D Medical Image Segmentation Using 2.5D Deformable Convolutional CNN 
サブタイトル(英)  
キーワード(1)(和/英) 医用画像 / CT images  
キーワード(2)(和/英) 深層学習 / Deep learning  
キーワード(3)(和/英) 畳み込みニューラルネットワーク / Convolutional Neural Networks  
キーワード(4)(和/英) 三次元医用画像 / 3D CT images  
キーワード(5)(和/英) コンピュータ支援検出システム / Computer-aided Detection Systems  
キーワード(6)(和/英) 解剖学的構造の自動認識・検出 / Automatic recognition and detection of anatomical structures  
キーワード(7)(和/英) /  
キーワード(8)(和/英) /  
第1著者 氏名(和/英/ヨミ) 奥村 裕也 / Yuya Okumura / オクムラ ユウヤ
第1著者 所属(和/英) 筑波大学 (略称: 筑波大)
University of Tsukuba (略称: Tsukuba Univ.)
第2著者 氏名(和/英/ヨミ) 工藤 博幸 / Kudo Hiroyuki / クドウ ヒロユキ
第2著者 所属(和/英) 筑波大学 (略称: 筑波大)
University of Tsukuba (略称: Tsukuba Univ.)
第3著者 氏名(和/英/ヨミ) 滝沢 穂高 / Takizawa Hotaka / タキザワ ホタカ
第3著者 所属(和/英) 筑波大学 (略称: 筑波大)
University of Tsukuba (略称: Tsukuba Univ.)
第4著者 氏名(和/英/ヨミ) / /
第4著者 所属(和/英) (略称: )
(略称: )
第5著者 氏名(和/英/ヨミ) / /
第5著者 所属(和/英) (略称: )
(略称: )
第6著者 氏名(和/英/ヨミ) / /
第6著者 所属(和/英) (略称: )
(略称: )
第7著者 氏名(和/英/ヨミ) / /
第7著者 所属(和/英) (略称: )
(略称: )
第8著者 氏名(和/英/ヨミ) / /
第8著者 所属(和/英) (略称: )
(略称: )
第9著者 氏名(和/英/ヨミ) / /
第9著者 所属(和/英) (略称: )
(略称: )
第10著者 氏名(和/英/ヨミ) / /
第10著者 所属(和/英) (略称: )
(略称: )
第11著者 氏名(和/英/ヨミ) / /
第11著者 所属(和/英) (略称: )
(略称: )
第12著者 氏名(和/英/ヨミ) / /
第12著者 所属(和/英) (略称: )
(略称: )
第13著者 氏名(和/英/ヨミ) / /
第13著者 所属(和/英) (略称: )
(略称: )
第14著者 氏名(和/英/ヨミ) / /
第14著者 所属(和/英) (略称: )
(略称: )
第15著者 氏名(和/英/ヨミ) / /
第15著者 所属(和/英) (略称: )
(略称: )
第16著者 氏名(和/英/ヨミ) / /
第16著者 所属(和/英) (略称: )
(略称: )
第17著者 氏名(和/英/ヨミ) / /
第17著者 所属(和/英) (略称: )
(略称: )
第18著者 氏名(和/英/ヨミ) / /
第18著者 所属(和/英) (略称: )
(略称: )
第19著者 氏名(和/英/ヨミ) / /
第19著者 所属(和/英) (略称: )
(略称: )
第20著者 氏名(和/英/ヨミ) / /
第20著者 所属(和/英) (略称: )
(略称: )
講演者 第1著者 
発表日時 2022-05-20 16:40:00 
発表時間 20分 
申込先研究会 IEICE-MI 
資料番号  
巻番号(vol) vol.46 
号番号(no)  
ページ範囲  
ページ数  
発行日  


[研究会発表申込システムのトップページに戻る]

[映像情報メディア学会ホームページ]


ITE / 映像情報メディア学会