| 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： ) |
| 第21著者 氏名（和/英/ヨミ） |
/ / |
| 第21著者 所属（和/英） |
(略称： )
(略称： ) |
| 第22著者 氏名（和/英/ヨミ） |
/ / |
| 第22著者 所属（和/英） |
(略称： )
(略称： ) |
| 第23著者 氏名（和/英/ヨミ） |
/ / |
| 第23著者 所属（和/英） |
(略称： )
(略称： ) |
| 第24著者 氏名（和/英/ヨミ） |
/ / |
| 第24著者 所属（和/英） |
(略称： )
(略称： ) |
| 第25著者 氏名（和/英/ヨミ） |
/ / |
| 第25著者 所属（和/英） |
(略称： )
(略称： ) |
| 第26著者 氏名（和/英/ヨミ） |
/ / |
| 第26著者 所属（和/英） |
(略称： )
(略称： ) |
| 第27著者 氏名（和/英/ヨミ） |
/ / |
| 第27著者 所属（和/英） |
(略称： )
(略称： ) |
| 第28著者 氏名（和/英/ヨミ） |
/ / |
| 第28著者 所属（和/英） |
(略称： )
(略称： ) |
| 第29著者 氏名（和/英/ヨミ） |
/ / |
| 第29著者 所属（和/英） |
(略称： )
(略称： ) |
| 第30著者 氏名（和/英/ヨミ） |
/ / |
| 第30著者 所属（和/英） |
(略称： )
(略称： ) |
| 第31著者 氏名（和/英/ヨミ） |
/ / |
| 第31著者 所属（和/英） |
(略称： )
(略称： ) |
| 第32著者 氏名（和/英/ヨミ） |
/ / |
| 第32著者 所属（和/英） |
(略称： )
(略称： ) |
| 第33著者 氏名（和/英/ヨミ） |
/ / |
| 第33著者 所属（和/英） |
(略称： )
(略称： ) |
| 第34著者 氏名（和/英/ヨミ） |
/ / |
| 第34著者 所属（和/英） |
(略称： )
(略称： ) |
| 第35著者 氏名（和/英/ヨミ） |
/ / |
| 第35著者 所属（和/英） |
(略称： )
(略称： ) |
| 第36著者 氏名（和/英/ヨミ） |
/ / |
| 第36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 |
|