巻号一覧
36 巻 (2018)
- 5 号 p. 209-
- 4 号 p. 155-
- 3 号 p. 105-
- 2 号 p. 45-
- 1 号 p. 1-
36 巻, 2 号
選択された号の論文の12件中1～12を表示しています
- |<
- <
- 1
- >
- >|
特集／医用画像処理におけるディープラーニング利用入門
-
小田 昌宏2018 年 36 巻 2 号 p. 45-46
発行日: 2018年
公開日: 2018/03/30
ジャーナル フリーPDF形式でダウンロード (648K) -
小田 昌宏2018 年 36 巻 2 号 p. 47-51
発行日: 2018年
公開日: 2018/03/30
ジャーナル フリーKerasはPython用のニューラルネットワークライブラリーであり，わかりやすいコードでディープラーニング関連手法を実装可能である．簡単な手法からMICCAI等で提案されている最新手法まで実装可能であり，ディープラーニング研究において重要となる迅速な研究開発が可能であるため，Kerasは研究開発用途において非常に有用である．本稿では，畳み込みニューラルネットワークを用いた画像分類処理をKerasで実装する方法について説明する．抄録全体を表示PDF形式でダウンロード (1888K) -
橘 理恵2018 年 36 巻 2 号 p. 52-57
発行日: 2018年
公開日: 2018/03/30
ジャーナル フリーCaffeはディープラーニングフレームワークのひとつであり，最適化の容易性，高速性，モジュール性を重視して作られている．オープンソースであり，コミュニティーも活発であることからサンプルや学習モデルが利用しやすく，ディープラーニングを始めるには利用しやすいフレームワークである．本稿では，導入部分のみとなるが，Caffeのインストール方法，Caffeを用いた画像分類処理の実装方法，転移学習の実装方法を説明する．抄録全体を表示PDF形式でダウンロード (1262K) -
竹永 智美2018 年 36 巻 2 号 p. 58-62
発行日: 2018年
公開日: 2018/03/30
ジャーナル フリーChainerはニューラルネットワークを実装するためのオープンソースソフトウェアライブラリーである．本稿ではChainer v2を用いてディープラーニングを行う基本的な手順を説明する．例として三次元画像内の直方体と球体の2クラス分類問題を使用しており，実際の問題に取り組むうえの足掛かりになると思われる．抄録全体を表示PDF形式でダウンロード (3116K) -
Holger R. ROTH, Chen SHEN, Hirohisa ODA, Masahiro ODA, Yuichiro HAYASH ...2018 年 36 巻 2 号 p. 63-71
発行日: 2018年
公開日: 2018/03/30
ジャーナル フリーOne of the most common tasks in medical imaging is semantic segmentation. Achieving this segmentation automatically has been an active area of research, but the task has been proven very challenging due to the large variation of anatomy across different patients. However, recent advances in deep learning have made it possible to significantly improve the performance of image recognition and semantic segmentation methods in the field of computer vision. Due to the data driven approaches of hierarchical feature learning in deep learning frameworks, these advances can be translated to medical images without much difficulty. Several variations of deep convolutional neural networks have been successfully applied to medical images. Especially fully convolutional architectures have been proven efficient for segmentation of 3D medical images. In this article, we describe how to build a 3D fully convolutional network (FCN) that can process 3D images in order to produce automatic semantic segmentations. The model is trained and evaluated on a clinical computed tomography (CT) dataset and shows stateof-the-art performance in multi-organ segmentation.抄録全体を表示PDF形式でダウンロード (1867K) -
小田 昌宏2018 年 36 巻 2 号 p. 72-75
発行日: 2018年
公開日: 2018/03/30
ジャーナル フリーディープラーニングは医用画像処理のさまざまなタスク解決に使用することができる便利な手法である．ディープラーニングを研究で活用し，その性能を引き出すために注意を払うべき点がいくつかある．その中で，ディープラーニングにおける多数の手動指定パラメーターの選択，データオーギュメンテーションを使用する上で注意する点，ディープラーニングのランダム要素が与える影響について解説する．抄録全体を表示PDF形式でダウンロード (834K) -
山田 泰永2018 年 36 巻 2 号 p. 76-80
発行日: 2018年
公開日: 2018/03/30
ジャーナル フリー昨今のさまざまな分野でのディープラーニングの進展を受けて，医用画像分野においてもセグメンテーションや各種診断支援タスクに向けてディープラーニングの活用が始まっている．ディープラーニングでは演算処理の高速化のためにGPU環境を利用することが一般的になっているが，体系的な情報は必ずしも多くはない．本稿ではディープラーニングでの活用を前提に，NVIDIA社が提供しているGPUハードウェアとソフトウェア環境について基本的な理解を深め，研究者が最適な環境をなるべく容易に導入できるよう実践的な情報を提供する．抄録全体を表示PDF形式でダウンロード (1213K)
サーベイ論文
-
Hidetaka ARIMURA, Mazen SOUFI2018 年 36 巻 2 号 p. 81-89
発行日: 2018年
公開日: 2018/03/30
ジャーナル フリーMedicine is moving toward “personalized medicine,” which is a novel concept for cancer treatment and prevention that takes into account individual variability (patient or tumor heterogeneity) in genes, lifestyle and environment for each person. However, there are several issues in the personalized medicine such as invasive biopsy, high cost and slow throughput for examination of gene mutations. Further, since tumors are heterogeneous, a small part of a tumor obtained by a single biopsy could not be reliable for the personalized medicine, and thus it could be difficult to carry out the personalized medicine in the cancer treatment. Therefore, radiomics concept has emerged for solving the issues and performing the “practical” personalized medicine. Radiomics is a novel field, which massively and comprehensively analyzes a large amount of medical images, and extracts mineable data that can make it possible to perform the personalized medicine. In this review paper, the authors describe what radiomics is, what radiomics can do, how to perform radiomics, advantages and disadvantages of radiomics, and the future of radiomics in cancer treatment.抄録全体を表示PDF形式でダウンロード (1746K)
研究論文
-
畠野 和裕, 村上 誠一, 植村 知規, 陸 慧敏, タン ジュークイ, 金 亨燮, 青木 隆敏2018 年 36 巻 2 号 p. 90-95
発行日: 2018年
公開日: 2018/03/30
ジャーナル フリー骨のおもな疾患として，骨粗しょう症が挙げられる．骨粗しょう症に対する画像診断は有効であるが，類似した低骨量を呈する画像も多く，画像診断における客観性や再現性の問題がある．そこで本稿では，指骨computed radiography（CR）画像から骨粗しょう症の自動識別手法を提案する．提案手法では，深層畳み込みニューラルネットワーク（DCNN）を用いた識別器を構築し，骨粗しょう症有無の識別を行う．DCNNの学習および識別には，CR画像から3種類の画像を作成し，各指骨領域内部からROIを抽出後，この3種類のROIをR，G，Bチャンネルに割り当て生成した疑似カラー画像を用いる．実験では，101症例に対し提案手法を適用し，真陽性率（TPR）：75.5［％］，偽陽性率（FPR）：13.9［％］という結果を得た．抄録全体を表示PDF形式でダウンロード (1129K)
講座
-
本谷 秀堅2018 年 36 巻 2 号 p. 96-100
発行日: 2018年
公開日: 2018/03/30
ジャーナル フリー臓器統計モデル構築の基礎について記す．臓器統計モデルは学習用画像の集合から構築する．学習用の医用画像の集合が与えられたときに最初に必要な作業は，それら画像群の対応付けである．臓器領域を点分布モデル（point distribution model）で表現する場合には異なる患者の臓器表面間の対応付けが必要であり，レベルセットで表現する場合には体型正規化によるピクセル間の対応付けを必要とする．これら対応付けに用いられている手法群の5つのカテゴリーを記す．またその前に，deep neural network出現後の臓器統計モデルの位置づけについて簡潔に記す．抄録全体を表示PDF形式でダウンロード (782K)
書評
-
2018 年 36 巻 2 号 p. 101-102
発行日: 2018年
公開日: 2018/03/30
ジャーナル フリーPDF形式でダウンロード (658K)
編集後記
-
2018 年 36 巻 2 号 p. 103
発行日: 2018年
公開日: 2018/03/30
ジャーナル フリーPDF形式でダウンロード (575K)
- |<
- <
- 1
- >
- >|