病変検出用画素識別処理における学習サンプル削減に関する初期検討  [in Japanese] Preliminary study for undersampling non-lesion voxel in training of voxel-based calssification for lesion detection  [in Japanese]

Search this Article

Author(s)

    • 三木 聡一郎 MIKI Soichiro
    • 東京大学大学院医学系研究科生体物理医学専攻 Dev. of Radiology and Biomedical Engineering, Graduate School of Medicine, The Univ. of Tokyo
    • 吉川 健啓 YOSHIKAWA Takeharu
    • 東京大学医学部附属病院22世紀医療センターコンピュータ画像診断学/予防医学講座 Dept. of Computational Diagnostic Radiology and Preventive Medicine, 22nd Century Medical and Research Center, The Univ. of Tokyo Hospital
    • 林 直人 HAYASHI Naoto
    • 東京大学医学部附属病院22世紀医療センターコンピュータ画像診断学/予防医学講座 Dept. of Computational Diagnostic Radiology and Preventive Medicine, 22nd Century Medical and Research Center, The Univ. of Tokyo Hospital

Abstract

病変自動検出の一つとして,対象領域の画素から得られる特徴量を用いて識別処理行い,病変領域の検出を行う画素識別処理がある.しかし,症例あたりの学習サンプル数,特に非病変サンプル数が膨大なため学習に時間を要する.このため,学習に使用する非病変サンプルの削減が重要となる.本報告では,病変検出用画素識別処理の学習における非病変サンプル削減と検出精度との関係について検討を行う.その結果,全症例・全サンプルを用いて学習を行うことが望ましいが,学習に時間を要する場合やサンプル数過多となる場合には,非病変サンプルを削減して学習を行うことは有効であることが示唆された.

In voxel-based classification for lesion detection, training of a classifier is time-consuming since the number of training voxels is huge. Moreover, the number of non-lesion voxels is extremely larger than that of lesion voxels. So, it is important to reduce the number of non-lesion voxels for training. In this short report, we investigated relation between undersampling non-lesion voxels in training of voxel based classifier and detection accuracy by using cerebral aneurysm detection in MR angiograms. In the experimental study, it is desirable to train the classifier using all cases/voxels, but undersampling non-lesion voxels have potential to effective when time required for training is time-consuming or the number of training sample is excessive.

Journal

  • IEICE technical report.

    IEICE technical report. 112(142), 59-64, 2012-07-12

    The Institute of Electronics, Information and Communication Engineers

References:  15

Codes

  • NII Article ID (NAID)
    110009626684
  • NII NACSIS-CAT ID (NCID)
    AA11370335
  • Text Lang
    JPN
  • Article Type
    ART
  • ISSN
    0913-5685
  • NDL Article ID
    023874495
  • NDL Call No.
    Z16-940
  • Data Source
    CJP  NDL  NII-ELS 
Page Top